查全率，查准率，准确率区别？

在二分类问题中，通常会使用以下三个指标来评估模型的性能：查准率（Precision）、查全率（Recall）和准确率（Accuracy）。

• 查准率（Precision）：表示所有预测为正例的样本中，真正为正例的样本占比。计算公式为 Precision = TP / (TP + FP)，其中 TP 表示真正例的数量，FP 表示假正例的数量。查准率越高，说明模型预测为正例的样本中真正为正例的比例越高，模型的误判率越低。

• 查全率（Recall）：表示所有真正为正例的样本中，被模型预测为正例的样本占比。计算公式为 Recall = TP / (TP + FN)，其中 TP 表示真正例的数量，FN 表示假反例的数量。查全率越高，说明模型能够识别更多的正例样本，漏判率越低。

• 准确率（Accuracy）：表示所有样本中，被正确预测的样本占比。计算公式为 Accuracy = (TP + TN) / (TP + TN + FP + FN)，其中 TP 表示真正例的数量，TN 表示真反例的数量，FP 表示假正例的数量，FN 表示假反例的数量。准确率越高，说明模型对所有样本的预测准确性越高。

查准率和查全率是一对相互矛盾的指标，往往需要在两者之间取一个平衡。而准确率则是对模型整体性能的一个综合评价。在实际应用中，需要根据具体的场景和需求选择合适的指标进行模型性能评估。