准确率（Precision）和召回率（Recall）

最新推荐文章于 2025-06-15 17:27:39 发布
最新推荐文章于 2025-06-15 17:27:39 发布
阅读量3.9k 收藏 1
点赞数 1
CC 4.0 BY-SA版权
文章标签： 性能指标 准确率 召回率
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Ying_Xu/article/details/50535339
本文详细解释了图像检索中常用的性能指标——准确率(Precision)与召回率(Recall)，并通过图表直观展示了这些概念。此外还介绍了如何在准确率与召回率之间做出权衡。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

因为最近在研究图像检索的时候，需要考虑检索性能的时候常常会用到准备率和召回率这样的参数。之前又一直会忘记或者混淆，所以这里做一个记录。


看到一张解释得一目了然的图片来解释这两个概念，故引用至此。

（引用连接：http://www.cnblogs.com/bluepoint2009/archive/2012/09/18/precision-recall-f_measures.html）


从上图理解可以知道，

所谓的准确率（Precision）就是指检索出来的条目中（有准确的和不准确的）准确的占比是多少，

所谓的召回率（Recall）就是指检索出来的准确的条目数占所有准确的条目中的占比，也就是所有准确的条目有多少被检索出来了。


然后就是一些true positive, False negative等的概念，有时候也跟上述两个指标联系起来使用。



性能中常常要考虑一个Precision和Recall的一个tradeoff，因此要视不同情况来定参数。


更多内容可以参考：http://blog.youkuaiyun.com/pirage/article/details/9851339

精度评定中的准确率（Precision）和召回率（Recall）
WoodyHD的专栏
05-05 2万+
在模式识别中，我们经常会使用到一些指标对目标识别或者影像分类的结果进行评价。 我们经常使用的有三个指标： （1）准确率（Precision），又称“精度”、“正确率”； （2）召回率（Recall），又称“查全率”； （3）F1-Score，准确率和召回率的综合指标。...
准确率(accuracy)召回率(recall)精确率(precision)的含义
weeeeeida的博客
12-26 5806
_
一文搞懂机器学习准确率(Accuracy)、精确率(Pecision)、召回率(Recall)以及TP、FP、TN、FN
Lucky_Alan_Gareth的博客
09-13 1万+
刚开始学机器学习尤其是计算机视觉的同学一定会接触到精确率(Pecision)和召回率(Recall)这两个词，看了公式还是一脸懵逼，今天就来通俗易懂的解释一下这两个关键的指标！ 这两个指标核心实质可以总结为： 提升精确率是为了不错报、提升召回率是为了不漏报 首先要了解一下TP、FP、TN、FN的基本概念 一、四个概念定义：TP、FP、TN、FN TP：（True Positive） 做出Positive的判定，而且判定是正确的 FP：（False Positive）做出Positive的判定，但
机器学习中精确率（precision）、召回率（recall）和准确率（accuracy）的理解
Bruce_0712的博客
06-10 1万+
注：网上很多讲解都瞎讲，把precision和accuracy概念混淆，误人子弟。 1.精确率（precision） 就precision而言有很多版本，各种说法不一，有精确率也有正确率更有甚者把准确率也搞出来了实在受不了，反正咱们看英文precision。 precision是表示预测为正样本中，被实际为正样本的比例。可以看出precision是考虑的正样本被预测正确的比例．根据图1-1可得其计算公式为：P = TP / (TP + FP) 2.召回率（recall） ...
Precision和Recall
chen_znn的博客
06-04 2127
本文解释了Precision和Recall
人工智能-准确率（Precision）、召回率（Recall） 和 F1 分数
高效匠人
06-15 1138
准确率、召回率和F1分数在大模型评估中的应用 在自然语言处理任务中，准确率（预测为正类的正确比例）衡量模型预测的可靠性（如垃圾邮件分类），召回率（实际正类被识别的比例）反映覆盖能力（如疾病筛查）。两者常存在此消彼长的关系。F1分数（两者的调和平均）用于平衡两者，适用于需兼顾精度和覆盖的场景（如法律文本分类）。 大模型中的特殊考量： 生成任务（如摘要）需权衡生成内容的准确率（事实性）与召回率（关键信息覆盖）； 多标签分类需计算宏/微平均F1； 长文本处理中召回率易下降，需针对性优化。 示例：实体识别任务中，若
精确率（Precision）和召回率（Recall）和准确率（accuracy）的区别
weixin_56533314的博客
09-27 2565
精确率关注的是模型预测为正类时有多准确，适合误报代价高的场景。召回率关注的是模型能够识别出多少正类样本，适合漏报代价高的场景。准确率关注的是模型整体的预测正确性，但在类别不均衡时可能误导决策。三者的选择取决于具体应用场景中的任务需求和代价。
准确率precision与召回率recall详解
yykkkybs的博客
11-08 1114
1、两个最常见的衡量指标是“准确率（precision）”（你给出的结果有多少是正确的）和“召回率（recall）”（正确的结果有多少被你给出了） 这两个通常是此消彼长的（trade off），很难兼得。很多时候用参数来控制，通过修改参数则能得出一个准确率和召回率的曲线（ROC），这条曲线与x和y轴围成的面积就是AUC（ROC Area）。AUC可以综合衡量一个预测模型的好坏，这一个指标综合了precision和recall两个指标。 但AUC计算很麻烦，有人用简单的F-score来代替。F-score计
准确率accuracy/精确率precision/召回率recall的区别
xiaohuihui1994的博客
12-10 1660
实际上非常简单，精确率P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R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...
准确率与召回率（Precision & Recall）、F-score
CLAY&Loser的博客
06-15 1406
准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。一般来说，Precision就是检索出来的条目（比如：文档、网页等）有多少是准确的，Recall就是所有准确的条目有多少被检索出来了。正确率、召回率和
Precision-Recall
人工智能
11-21 3773
Example of Precision-Recall metric to evaluate classifier output quality. Precision-Recall is a useful measure of success of prediction when the classes are very imbalanced. In information retrieva
Classification： Precision/Recall ,ROC, AUC等分类模型评估方法，Multilabel and Multioutput Classification
墨流觞的博客
10-07 3320
Classification 一.数据集获取及预处理 1 数据集导入 2数据集划分 二、binary classification 二元分类器 自己实现交叉验证函数 confusion matrix precision/recall tradeoff Precision/Recall曲线 ROC 曲线 AUC 三、Multiclass Classificati...
机器学习：准确率（Precision）、召回率（Recall）、F值（F-Measure）、ROC曲线、PR曲线
xueluowutong的博客
12-26 1128
介绍： 准确率（Precision）、召回率（Recall）、F值（F-Measure）是数据挖掘、机器学习 和推荐系统中的评测指标。 下图是不同机器学习算法的评价指标： 本文的对象是二元分类器！ 在 介绍评价指标必须了解“混淆矩阵” 混淆矩阵 True Positive(真正，TP)：将正类预测为正数类 True Negative(真负，TN)：将负类预测为负类数 Fals...
准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
热门推荐
weixin_34144450的博客
07-22 1万+
yu Code 15 Comments  机器学习(ML),自然语言处理(NLP),信息检索(IR)等领域,评估(Evaluation)是一个必要的 工作,而其评价指标往往有如下几点:准确率(Accuracy),精确率(Precision),召回率(Recall)和F1-Measure。(注： 相对来说，IR 的 ground truth 很多时候是一个 Ordered List, 而不是...
准确率和召回率
luoganttcc的博客
05-09 3499
链接 定义： 正确率 = 提取出的正确信息条数 / 提取出的信息条数 召回率 = 提取出的正确信息条数 / 样本中的信息条数 两者取值在0和1之间，数值越接近1，查准率或查全率就越高。 F值 = 正确率 * 召回率 * 2 / (正确率 + 召回率) （F 值即为正确率和召回率的调和平均值） 不妨举这样一个例子：某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目...
召回率与准确率
weixin_30481087的博客
04-22 1229
准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。 一般来说，Precision就是检索出来的条目（比如：文档、网页等）有多少是准确的，Recall就是所有准确的条目有多少被检索出来了。 正确率、召...
召回率和准确率理解
小泽爱刷题的博客
09-03 3391
召回率衡量的是实际为正类的样本中被正确识别为正类的比例。
准确率，精确率(AP)与召回率（AR）
07-19 9108
准确率、精确率和召回率是在目标检测中非常重要的指标，那么它们能反映出模型的结果中的哪些问题呢？如下： 准确率、精确率和召回率的解释： True Positive(真正，TP)：将正类预测为正类数 True Negative(真负，TN)：将负类预测为负类数 False Positive(假正，FP)：将负类预测为正类数误报 (Type I error) False Negative(假负，FN)：将正类预测为负类数→漏报 (Type II error) 准确率、精确率和召回率的公式： 准确率（
rag准确率和rag召回率的区别
最新发布
06-19
### RAG系统中准确率和召回率的定义及区别 在RAG（Retrieval-Augmented Generation）系统中，准确率和召回率是衡量检索与生成性能的重要指标。以下是对两者的定义及区别的详细说明。 #### 准确率的定义 准确率衡量的是检索到的相关文档在所有检索结果中的比例。其计算公式为： \[ \text{准确率} = \frac{\text{TP（True Positives）}}{\text{TP + FP（False Positives）}} \] 其中，TP表示正确检索到的相关文档数，FP表示错误检索到的非相关文档数[^4]。 #### 召回率的定义 召回率衡量的是检索系统成功找到的相关文档数量占总相关文档数的比例。其计算公式为： \[ \text{召回率} = \frac{\text{TP（True Positives）}}{\text{TP + FN（False Negatives）}} \] 其中，TP表示正确检索到的相关文档数，FN表示未被检索到的相关文档数[^4]。 #### 准确率与召回率的区别 1. **关注点不同**： - 准确率更注重检索结果的质量，即检索到的文档中有多少是真正相关的。高准确率意味着系统返回的结果大部分都是正确的。 - 召回率更注重检索范围的广度，即所有相关文档中有多少被成功检索到。高召回率意味着系统能够覆盖尽可能多的相关文档[^4]。 2. **应用场景差异**： - 在需要确保回答准确性和逻辑连贯性的场景（如法律文书生成），可能更倾向于优化准确率，以减少无关信息的干扰[^2]。 - 在需要实时引用最新知识的场景（如客服问答），可能更倾向于优化召回率，以确保尽可能多地覆盖相关文档。 3. **权衡关系**： 准确率和召回率之间通常存在权衡关系。提高准确率可能导致召回率下降，反之亦然。例如，在评测中发现未召回的问题占比最高（9条），这表明召回率可能需要进一步优化[^3]。 ### 示例代码 以下是一个简单的 Python 代码示例，用于计算准确率和召回率： ```python def calculate_precision_recall(tp, fp, fn): precision = tp / (tp + fp) if (tp + fp) > 0 else 0 recall = tp / (tp + fn) if (tp + fn) > 0 else 0 return precision, recall # 示例数据 true_positives = 8 false_positives = 2 false_negatives = 2 precision, recall = calculate_precision_recall(true_positives, false_positives, false_negatives) print(f"Precision: {precision:.2f}, Recall: {recall:.2f}") ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值