精确率 召回率 准确率

作者：Charles Xiao
链接：https://www.zhihu.com/question/19645541/answer/91694636
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
精确率(precision)和准确率(accuracy)是不一样的，主要精确率与召回率之间的差别
一.定义辨析

刚开始接触这两个概念的时候总搞混，时间一长就记不清了。

实际上非常简单， 精确率是针对我们 预测结果而言的，它表示的是 预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)，也就是

而 召回率是针对我们原来的 样本而言的，它表示的是 样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。

其实就是分母不同，一个分母是预测为正的样本数，另一个是原来样本中所有的正样本数。
 

在信息检索领域，精确率和召回率又被称为查准率和查全率，

查准率＝检索出的相关信息量 / 检索出的信息总量(预测为证的样本)
查全率＝检索出的相关信息量 / 系统中的相关信息总量（样本中的正例）

二.举个栗子
 

假设我们手上有60个正样本，40个负样本，我们要找出所有的正样本，系统查找出50个，其中只有40个是真正的正样本，计算上述各指标。

 

• TP: 将正类预测为正类数 40
• FN: 将正类预测为负类数 20
• FP: 将负类预测为正类数 10
• TN: 将负类预测为负类数 30

准确率(accuracy) = 预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) = 70%
精确率(precision) = TP/(TP+FP) = 80%
召回率(recall) = TP/(TP+FN) = 2/3

除此之外，还有ROC曲线，PR曲线，AUC等评价指标，可以参见我的博客：机器学习性能评估指标

---

在二分问题的情况下（非对即错，非0即1）：
查准率（Precision）就是你认为是对的样例中(预测的为正)，到底有多少真是对的。
查全率（Recall）就是所有对的样例(总样本中为正的样本)，你找出了多少，或者说你判断对了多少

---

一个班有50人，在某场考试中有40人及格，10人不及格。
现在需要根据一些特征预测出所有及格的学生。

---

某一模型执行下来，给出了39人，其中37人确实及格了，剩下2人实际上不及格。

Accuracy（准确率）

分类正确的样本数 与 样本总数之比。即：(TP + TN) / ( ALL ).

在本例中，正确分类了45人（及格37 + 不及格8），所以 Accuracy = 45 / 50 = 90%.

Precision（精确率、查准率）

被正确检索的样本数 与 被检索到样本总数之比。即：TP / (TP + FP).

在本例中，正确检索到了37人，总共检索到39人，所以 Precision = 37 / 39 = 94.9%.

Recall （召回率、查全率）

被正确检索的样本数 与 应当被检索到的样本数之比。即：TP / (TP + FN).

在本例中，正确检索到了37人，应当检索到40人，所以 Recall = 37 / 40 = 92.5%.

为什么要不同的指标

根据上边公式的不同，可以借此理解不同指标的意义。

准确率是最常用的指标，可以总体上衡量一个预测的性能。但是某些情况下，我们也许会更偏向于其他两种情况。

「宁愿漏掉，不可错杀」

在识别垃圾邮件的场景中可能偏向这一种思路，因为我们不希望很多的正常邮件被误杀，这样会造成严重的困扰。
因此，Precision 将是一个被侧重关心的指标。

「宁愿错杀，不可漏掉」

在金融风控领域大多偏向这种思路，我们希望系统能够筛选出所有有风险的行为或用户，然后交给人工鉴别，漏掉一个可能造成灾难性后果。
因此，Recall 将是一个被侧重关心的指标。

综合评价 (F-Score)

更多时候，我们希望能够同时参考 Precision 与 Recall，但又不是像 Accuracy 那样只是泛泛地计算准确率，此时便引入一个新指标 F-Score，用来综合考虑 Precision 与 Recall.

其中 β 用于调整权重，当 β=1 时两者权重相同，简称为 F1-Score.
若认为 Precision 更重要，则减小 β，若认为 Recall 更重要，则增大 β.

作者：0晨鹤0
链接：https://www.jianshu.com/p/8b7324b0f307
来源：简书
简书著作权归作者所有，任何形式的转载都请联系作者获得授权并注明出处。