机器学习---查准率与查全率(precision and recall)_机器学习中查准率的公式-优快云博客

本文通过实例解释了机器学习中的评估指标，包括查准率（精度）和查全率（召回率），并通过不同应用场景（如商品推荐系统和逃犯信息检索系统）探讨了这些指标的重要性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

转载自 https://www.cnblogs.com/zle1992/p/6689136.html

结合周志华的机器学习理解

　　假设要识别照片中的狗的，在一些照片中，包含12只狗的照片和一些猫的照片。算法识别出有8只狗。在确定的8只狗中，5只实际上是狗（真阳性TP），而其余的是猫（假阳性FP）。该程序的精度为5/8，而其召回率为5/12。

	Predicted
Actual	狗(+)	猫(-)
狗(+)	5(TP)	FN	12
猫(-)	3(FP)	TN
	8

　　　　　　Confusion matrix

查准率 = 精度 = precision

查全率 = 召回率 = recall

　　　　 ${\text{Recall}}={\frac {tp}{tp+fn}}\,$

　　当搜索引擎返回30个页面时，只有20个页是相关的(实际相关)，而没有返回另外40个相关页面，其精度为20/30 = 2/3，而召回率为20/60 = 1/3。所以，在这种情况下，精度是“搜索结果有用”，召回率是“结果如何完整”。

	Predicted
Actual	(+)	(-)
(+)	20(TP)	40（FN)	60
(-)	FP	TN
	30

　　　　　　　Confusion matrix

商品推荐系统中，为了尽可能地少打扰用户，更希望推荐内容确实是用户感兴趣的，就要提高精度（查准率），在分类时，慎重地预测为+，也就是说，预测成正地比例将减小，即中 TP+FP变小，分母变小,分子也变小，但是分母变化的更剧烈，所以精度变大。在公式 ${\text{Recall}}={\frac {tp}{tp+fn}}\,$ 中，TP变小，分子变小，分母（实际的正类）不变，召回率变小。

　　在逃犯信息检索系统中，更希望尽可能地少漏掉逃犯，此时，就要提高召回率（查全率），在分类时，尽量多的预测为+，就需要提高预测正类的比例，TP+FP 变大，TP变大，在公式 ${\text{Recall}}={\frac {tp}{tp+fn}}\,$ 中 TP变大，分母不变,分子变大，所以召回率变大。在公式中，分母变大，分子变大，但是分母变化的更剧烈，所以精度变小