清晰理解precision(精确度)和recall(召回度)

1、TP TN FP FN的概念
TP TN FP FN里面一共出现了4个字母，分别是T F P N。

TP（True Positives）意思就是被分为了正样本，而且分对了。
TN（True Negatives）意思就是被分为了负样本，而且分对了，
FP（False Positives）意思就是事实上这个样本是负样本，但是你当成正的了。误报！
FN（False Negatives）意思就是事实上这个样本是正样本，但是你没识别出来。漏报！

2、precision（精确度）和recall（召回率）
$$Precision=TP/(TP+FP)$$
precision可以理解为“模型认为正确且确实是正确的样本占模型认为正确的所有样本的概率”，他由于少了FN，所以不适合漏报的情况
如果你单单只看精确度的话，极端些把FP=0，也就是误报几率为0，这样精确度就是100%，模型识别出来的就一定是真的，但是真的模型不一定识别的出来
$$Recall=TP/(TP+FN)$$
recall可以理解为“模型认为是正确且确实是真确的样本占所有正确的样本的概率”，他少了FP，所以不适合误报的情况
如果你单单只看召回度的话，极端些把FN=0，也就是漏报几率为0，这样召回度就是100%，只要是真的模型就一定识别的出来，但假的模型也有可能识别出来

这两者各有所长，就比如火灾检测，宁愿检错100假的也不愿放过1个真的，那么以recall(召回度)为主作为参考也可以了，比如质量监控，一箱产品只要有一个是坏的整箱就得退回，那么我宁愿100个里面只有一个品控过关也不愿意夹杂一个残缺品，这时候可以把precision(精确度)作为主要参考了

当然我说的都是极端环境下的情况，大部分比如行人车辆检测，动物检测，这些都是两者综合考虑，取一个最优解