糾正下，精確率(precision)和準確率(accuracy)是不同的，題主問的應該是精確率與召回率之間的差異。 Blog
一.定義辨析算法
- TP，True Positive
- FP，False Positive
- TN，True Negative
- FN，False Negative併發
精確率：precision = TP / (TP + FP) 分母是預測爲正的樣本數性能
召回率：recall = TP / (TP + FN) 原來樣本中全部的正樣本數spa
準確率：accuracy = (TP + TN) / (TP+ FP + TN + FN)htm
精確率是針對咱們預測結果而言的，它表示的是預測爲正的樣本中有多少是真正的正樣本。ci
召回率是針對咱們原來的樣本而言的，它表示的是樣本中的正例有多少被預測正確了。get
實際上很是簡單，精確率是針對咱們預測結果而言的，它表示的是預測爲正的樣本中有多少是真正的正樣本。那麼預測爲正就有兩種可能了，一種就是把正類預測爲正類(TP)，另外一種就是把負類預測爲正類(FP)，也就是it
而召回率是針對咱們原來的樣本而言的，它表示的是樣本中的正例有多少被預測正確了。那也有兩種可能，一種是把原來的正類預測成正類(TP)，另外一種就是把原來的正類預測爲負類(FN)。io
其實就是分母不一樣，一個分母是預測爲正的樣本數，另外一個是原來樣本中全部的正樣本數class
舉個栗子
假設咱們手上有60個正樣本，40個負樣本，咱們要找出全部的正樣本，系統查找出50個，其中只有40個是真正的正樣本，計算上述各指標。
- TP: 將正類預測爲正類數 40
- FN: 將正類預測爲負類數 20
- FP: 將負類預測爲正類數 10
- TN: 將負類預測爲負類數 30
準確率(accuracy) = 預測對的/全部 = (TP+TN)/(TP+FN+FP+TN) = 70%
精確率(precision) = TP/(TP+FP) = 80%
召回率(recall) = TP/(TP+FN) = 2/3
而F值，則是綜合這兩者指標的評估指標，用於綜合反映總體的指標。
F值 = 正確率 * 召回率 * 2 / (正確率 + 召回率) （F 值即爲正確率和召回率的調和平均值）。
調和平均值公式：
ROC 曲線在 Y 軸上畫出了真正例率（TPR），在 X 軸上畫出了假正例率 (FPR)(在全部真假中有多少被標記位假真了)。TPR 是召回率，FPR 是反例被報告爲正例的機率。這二者均可以經過混淆矩陣計算獲得。
1. 選擇最佳的診斷界限值。ROC曲線越靠近左上角,試驗的準確性就越高。最靠近左上角的ROC曲線的點是錯誤最少的最好閾值，其假陽性和假陰性的總數最少
2. 兩種或兩種以上不一樣診斷試驗對算法性能的比較。在對同一種算法的兩種或兩種以上診斷方法進行比較時，可將各試驗的ROC曲線繪製到同一座標中，以直觀地鑑別優劣，靠近左上角的ROC曲線所表明的受試者工做最準確。亦可經過分別計算各個試驗的ROC曲線下的面積(AUC)進行比較，哪種試驗的 AUC最大，則哪種試驗的診斷價值最佳。
在閾值爲 1.0 的狀況下，咱們將位於圖的左下方，由於沒有將任何數據點識別爲正例，這致使沒有真正例，也沒有假正例（TPR = FPR = 0）。當下降閾值時，咱們將更多的數據點識別爲正例，致使更多的真正例，但也有更多的假正例 ( TPR 和 FPR 增長)。最終，在閾值 0.0 處，咱們將全部數據點識別爲正，並發現位於 ROC 曲線的右上角 ( TPR = FPR = 1.0 )。