查准率（precision）和查全率（recall）的笔记

对于二分类问题，根据真实结果和预测结果得到“混淆矩阵”，其结果组合可分为真正例（true positive）、假正例（false positive）、真反例（true negative）、假反例（false negative）四种情况，其简写分别为TP、FP、TN、FN。

查准率P（precision）和查全率R（recall）是对预测性能的度量。

$$P=\frac{TP}{TP+FP}$$
$$R=\frac{TP}{TP+FN}$$

P和R是一对矛盾的度量，不会同时很高或很低。

查准率P比较容易理解，是计算在所有预测为正例的结果中，真正为正例的比例。以风控为例，可以设有风险的为正例，无风险的为反例，则查准率就是度量有风险的被预测出的准确率。
查全率R我一直不能很好理解，今天听到一个说法比较好懂，在这里分享一下。在周志华老师的《机器学习》里，recall被翻译成查准率，直译recall可以为召回率，可能比较好理解。召回率可以理解为能够“抢救回来”的比例。依旧用风控的例子，召回率就是能够确定有风险（从而将其召回）占全部真正有风险的比例，TP是被预测为风险并且能够召回的。从召回的概念再去理解查全率，我就比较明白了。