recall 和 precision

recall 是召回率又叫检出率

precision 是准确率又叫检准率

对了今天还看到一个叫法“采样”，搞了半天就是“池化”，但是采样其实更好理解pooling，要是从表面上看的话。

说回recall 和 precision

注意到这两个东西是在一篇论文里，检出率比检准率低，也就是r<p，之前我不知道是他们俩，就疑惑检出怎么可能低于检准，遂查了一下，之前对这两个概念也是混了又混，这次认真的再看一遍，记录一下。

这两个东西在模式识别和信息检索里出现，起到度量的作用，让我想起了交叉熵这个东西，交叉熵是信息论里面的概念，原本是用来估算平均编码长度的。 这个是我看一本书看到的，名字是《TensorFlow实战Google深度学习框架》。

好了再说回来

写四个字母。

A B 

 C D

举个例子，看人群中谁吃没吃饭。

A就代表看出来的，吃饭了的，人的个数。

B代表看错了，其实没吃饭的，人的个数。

C代表没看出来，其实吃饭了的，人的个数

D代表没看出来，也的确没吃饭的，人的个数（也不该用“看出来了”这个描述，它只是输出一个分类结果，这个位置就是个0）

那么召回率就是：A/（A+C）

      准确率就是：A/（A+B）

好了接下来看看检出是怎么高于检准的，也不难，就让C>B 就可以了，也就是看漏又不对的数量大于看错的数量。

具体化这个例子，邻居6个人，预测他们吃没吃饭，4个人吃了，2个人没吃。

邻居们/判断	A	B	C	D	E	F
吃了	1	1				0
没吃			1	1	0

数字1表示吃过饭的邻居，“吃了”和“没吃”表示预测，测对了3个，错了3个。

召回率R=2/(2+2)=1/2

准确率P=2/（2+1）=2/3

好了，R>P了，心满意足，撤了。

如果你恰巧看到这篇儿又没看明白，可以去看博主：燃烧的舞步  的文章。

言简意赅还有图，在这里对他表示感谢。