【精准率 召回率简单解释】

P R定义

P代表precision（精准率），R代表recall（召回率）

其中，把正例正确地分类为正例，表示为TP（true positive），把正例错误地分类为负例，表示为FN（false negative）。把负例正确地分类为负例，表示为TN（true negative）， 把负例错误地分类为正例，表示为FP（false positive）。

precision = TP/(TP + FP)

recall = TP/(TP +FＮ)

P R的实际含义

精准率（precision）的实际含义是，在所有预测为正例的样本中，真实为正例的比例。

召回率（recall）的实际含义是，在所有真实为正例的样本中，被正确预测为正例的比例。

举个例子，假设有一个垃圾邮件分类器，它要从100封邮件中识别出垃圾邮件。假设其中有20封是真正的垃圾邮件，80封是正常邮件。如果分类器预测出了15封垃圾邮件，其中10封是真的垃圾邮件，5封是误判的正常邮件，那么它的召回率和精准率分别是：

精准率 = 10 / 15 = 0.67，表示分类器预测出的垃圾邮件中有三分之二是真的垃圾邮件。

召回率 = 10 / 20 = 0.5，表示分类器只能找到一半的真正垃圾邮件。

阈值

PR曲线中的阈值是指用来判断样本是否为正例的预测概率的界限。

例如，如果我们有一个分类器，它给每个样本输出一个 [0,1]之间的预测概率，我们可以设置一个阈值，比如0.5，那么大于等于0.5的样本就被认为是正例，小于0.5的样本就被认为是负例。

不同的阈值会导致不同的精确率和召回率，因此我们可以通过改变阈值来绘制PR曲线。

阈值越高，精准率越高，召回率越低；阈值越低，精准率越低，召回率越高。

PR曲线反映了分类器在不同精准率和召回率之间的权衡，通常来说，PR曲线越靠近右上角，表示分类器的效果越好。

阈值越高，精准率越高，召回率越低；阈值越低，精准率越低，召回率越高

这是因为阈值的高低会影响正例的数量和质量。

当阈值越高时，只有预测概率很高的样本才会被判断为正例，这样可以提高正例的质量，也就是说预测为正例的样本中实际为正例的比例会增加，这就是精准率。

但是，阈值越高，也意味着很多实际为正例的样本可能被错判为负例，因为它们的预测概率没有达到阈值，这样就会降低正例的数量，也就是说实际为正例的样本中被预测为正例的比例会减少，这就是召回率。

反之，当阈值越低时，只要预测概率不为零的样本都会被判断为正例，这样可以提高正例的数量，也就是说实际为正例的样本中被预测为正例的比例会增加，这就是召回率。

但是，阈值越低，也意味着很多实际为负例的样本可能被错判为正例，因为它们的预测概率也不为零，这样就会降低正例的质量，也就是说预测为正例的样本中实际为正例的比例会减少，这就是精准率。

所以，阈值越高，精准率越高，召回率越低；阈值越低，精准率越低，召回率越高。

参考 https://blog.csdn.net/guzhao9901/article/details/107961184