Recall（召回率）and Precision（精確率）

　　◆版權聲明：本文出自胖喵~的博客，轉載必須註明出處。

　　轉載請註明出處：http://www.cnblogs.com/by-dream/p/7668501.html 

 

前言

---

　　機器學習中通過聽到「召回率」和「精確率」 這兩個名詞，今天簡單解釋一下。

 

概念

---

　　首先我先簡單看幾個名詞解釋：　　

　　一般咱們預測的樣本中分爲正樣本和負樣本：

　　　　TP ( True Positive )：表示把正樣本預測爲正樣本；

　　　　FP ( False Positive )：表示把負樣本預測爲正樣本；

　　　　TN ( True Negative )：表示把負樣本預測爲負樣本；

　　　　FN ( False Negative )：表示把正樣本預測爲負樣本；

 

　　再理解概念應該比較容易了：

　　　　精確率(Precision)：預測爲正的樣本中有多少是真正的正樣本。也就是  

　　　　Precision = TP / ( TP + FP )

　　　　召回率(Recall)：樣本中的正例有多少被預測正確了。也就是  

　　　　Recall = TP / ( TP + FN )

　　這裏再提一個咱們平時經常使用的一個概念：準確率(accuracy) 即預測正確全部樣本佔總樣本的比例： (TP+TN)/(TP+FN+FP+TN)

 

　　維基百科中對召回率和精確率的解釋可能更加的直觀一些：

　　圖中的左側表明正樣本，右側表明負樣本，圈中的爲預測爲正樣本的數據。

　　在信息檢索領域，精確率和召回率又被稱爲查準率和查全率：

　　　　查準率＝檢索出的相關信息量 / 檢索出的信息總量
　　　　查全率＝檢索出的相關信息量 / 系統中的相關信息總量

 

舉例

---

　　假如讓你說出周杰倫《七里香》專輯裏的10首歌曲。

　　若是你一共只回答了3首，3首都是對的，那麼你的：
　　　　精確率 = TP / ( TP + FP ) = 3/(3+0) = 100%
　　　　召回率 = TP / ( TP + FN ) = 3/(3+7) = 30%

　　可見你雖然回答的精確率很是的高，可是你的召回率並不高，那麼可否能夠用召回率來衡量一我的的回答質量呢？咱們再看看下面的例子：

　　若是你一共回答了15首，其中10首是對的，5首是錯的，那麼你的：

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

　　可見你的召回率達到100%了，可是你的精確率卻並不高了。所以咱們在實際應用的過程當中，這兩個數值須要一塊兒用來評估。