准确率（Precision）和召回率（Recall）

准确率（Precision）

• 定义：准确率是指在模型预测为正的样本中，真正为正的样本所占的比例。它关注的是模型预测的准确性。

• 计算公式：
  $$\text{Precision}=\frac{\text{TP}}{\text{TP}+\text{FP}}$$
  其中：

  • TP（True Positive）：真正例，模型正确预测为正的样本数。
  • FP（False Positive）：假正例，模型错误预测为正的样本数。

• 应用场景：当需要减少误报时，准确率更重要。例如，在垃圾邮件检测中，高准确率意味着减少正常邮件被误判为垃圾邮件的情况。

召回率（Recall）

• 定义：召回率是指在所有实际为正的样本中，模型正确预测为正的样本所占的比例。它关注的是模型的覆盖能力。

• 计算公式：
  $$\text{Recall}=\frac{\text{TP}}{\text{TP}+\text{FN}}$$
  其中：

  • TP（True Positive）：真正例，模型正确预测为正的样本数。
  • FN（False Negative）：假反例，模型错误预测为负的样本数。

• 应用场景：当需要减少漏报时，召回率更重要。例如，在疾病诊断中，高召回率意味着减少患者被漏诊的情况。

如何区分

• 关注点不同：

  • 准确率关注的是模型预测为正的样本中有多少是真正的正样本。
  • 召回率关注的是所有实际为正的样本中有多少被模型正确预测出来。

• ⭐应用场景不同：

  • 准确率适用于需要减少误报的场景。
  • 召回率适用于需要减少漏报的场景。

• 权衡关系：

  • 提高准确率可能会降低召回率，反之亦然。通常需要在两者之间找到一个平衡点。

示例

假设有一个目标检测模型在100张图片上进行检测，其中实际有30个正样本（目标存在），70个负样本（目标不存在）。模型的预测结果如下：

• TP = 20（检测正确到的目标）

• FP = 10（误检为目标的非目标）

• FN = 10（漏检的目标）

• TN = 60（正确检测为非目标的非目标）

• 准确率：
  $$\text{Precision}=\frac{20}{20+10}=\frac{20}{30}\approx 0.6667$$
  准确率为66.67%，表示模型预测为正的样本中有66.67%是真正的正样本。

• 召回率：
  $$\text{Recall}=\frac{20}{20+10}=\frac{20}{30}\approx 0.6667$$
  召回率为66.67%，表示所有实际为正的样本中有66.67%被模型正确预测出来通过。

这个示例可以看出，准确率和召回率虽然计算方式不同，但在某些情况下可能会有相似的数值。实际应用中，需要根据具体需求来权衡两者的重要性。