Precision和Recall

Precision和Recall是评估分类模型性能的两个重要指标，它们虽然都与模型的正确性相关，但关注的角度和用途有所不同。

Precision（精确率）

• 定义：Precision 是指在模型预测为正例的所有样本中，真正为正例的样本所占的比例。
• 公式：$Precision=(\frac{TP}{TP+FP})$
  • 其中，TP（True Positive）是指模型正确预测为正例的样本数，FP（False Positive）是指模型错误预测为正例的样本数。
• 解读：Precision 关注的是模型的预测结果有多“精确”。即，当模型预测一个样本为正例时，这个预测有多大的可信度。如果 Precision 高，意味着模型很少会将负例误判为正例。
• 使用场景：在注重减少错误警报（即 FP）的场景中，Precision 是一个关键指标。例如，在垃圾邮件过滤中，Precision 高意味着很少有非垃圾邮件被误判为垃圾邮件。

Recall（召回率）

• 定义：Recall 是指在所有实际为正例的样本中，被模型正确预测为正例的样本所占的比例。
• 公式：$Recall=(\frac{TP}{TP+FN})$
  • 其中，FN（False Negative）是指模型错误预测为负例的正例样本数。
• 解读：Recall 关注的是模型的“敏感性”或“覆盖率”。即模型能找出所有正例的能力。如果 Recall 高，意味着模型能够识别出大多数的正例样本。
• 使用场景：在注重捕获所有正例样本的场景中，Recall 是关键指标。例如，在疾病筛查中，Recall 高意味着很少有患病患者被漏诊。

Precision 和 Recall 的联系

Precision 和 Recall 之间存在一种权衡关系，即通常当 Precision 增加时，Recall 可能会下降，反之亦然。这是因为一个模型要想提升 Precision，可能会减少预测为正例的样本数量（降低 FP），但这也可能会使一些正例被遗漏（增加 FN），从而降低 Recall。相反，提升 Recall 通常意味着模型会更多地预测正例（降低 FN），但这可能会导致更多的 FP，从而降低 Precision。

出发的角度

• Precision：从“正例预测”的角度出发，考察模型在预测正例时的准确性。
• Recall：从“正例覆盖”的角度出发，考察模型在所有正例样本中的识别能力。

这两者的权衡通常通过F1-score来实现，它是 Precision 和 Recall 的调和平均数，用于在 Precision 和 Recall 之间找到一个平衡点。