Recall（召回率）and Precision（精确率）

　　◆版权声明：本文出自胖喵~的博客，转载必须注明出处。

　　转载请注明出处：http://www.cnblogs.com/by-dream/p/7668501.html 

 

前言

---

　　机器学习中经过听到“召回率”和“精确率” 这两个名词，今天简单解释一下。

 

概念

---

　　首先我先简单看几个名词解释：　　

　　通常我们预测的样本中分为正样本和负样本：

　　　　TP ( True Positive )：表示把正样本预测为正样本；

　　　　FP ( False Positive )：表示把负样本预测为正样本；

　　　　TN ( True Negative )：表示把负样本预测为负样本；

　　　　FN ( False Negative )：表示把正样本预测为负样本；

 

　　再理解概念应该比较容易了：

　　　　精确率(Precision)：预测为正的样本中有多少是真正的正样本。也就是  

　　　　Precision = TP / ( TP + FP )

　　　　召回率(Recall)：样本中的正例有多少被预测正确了。也就是  

　　　　Recall = TP / ( TP + FN )

　　这里再提一个我们平时常用的一个概念：准确率(accuracy) 即预测正确所有样本占总样本的比例： (TP+TN)/(TP+FN+FP+TN)

 

　　维基百科中对召回率和精确率的解释可能更加的直观一些：

　　图中的左侧代表正样本，右侧代表负样本，圈中的为预测为正样本的数据。

　　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
　　　　查全率＝检索出的相关信息量 / 系统中的相关信息总量

 

举例

---

　　假如让你说出周杰伦《七里香》专辑里的10首歌曲。

　　如果你一共只回答了3首，3首都是对的，那么你的：
　　　　精确率 = TP / ( TP + FP ) = 3/(3+0) = 100%
　　　　召回率 = TP / ( TP + FN ) = 3/(3+7) = 30%

　　可见你虽然回答的精确率非常的高，但是你的召回率并不高，那么能否可以用召回率来衡量一个人的回答质量呢？我们再看看下面的例子：

　　如果你一共回答了15首，其中10首是对的，5首是错的，那么你的：

　　　　精确率 = TP / ( TP + FP ) = 10/(10+5) = 66.6%
　　　　召回率 = TP / ( TP + FN ) = 10/(10+0) = 100%

　　可见你的召回率达到100%了，但是你的精确率却并不高了。因此我们在实际应用的过程中，这两个数值需要一起用来评估。