准确率召回率 准确率召回率平衡

一图看懂召回率和准确率

在算法大佬们的模型报告中，经常会出现“召回率”和“准确率”这两个指标，作为一名数据分析师，要是听不懂就尴尬啦，话不多说，看下面这个图，一目了然

举例：

在对视频内容进行分类时，视频池里总共有1000条视频，其中100条美食视频。算法大佬通过牛逼的模型识别出200条并打上美食标签，其中50条是真正的美食视频，那么：

召回率=50/100 100%=50%

准确率=50/200 100%=25%

这样一看，是不是很easy

精确率和召回率

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。

TP: Ture Positive 把正的判断为正的数目 True Positive,判断正确，且判为了正，即正的预测为正的。

准确率召回率 准确率召回率平衡

FN: False Negative 把正的错判为负的数目 False Negative,判断错误，且判为了负，即把正的判为了负的

FP: False Positive 把负的错判为正的数目 False Positive, 判断错误，且判为了正，即把负的判为了正的

TN: True Negative 把负的判为负的数目 True Negative,判断正确，且判为了负，即把负的判为了负的

【举例】一个班里有男女生，我们来进行分类，把女生看成正类，男生看成是负类。我们可以用混淆矩阵来描述TP、TN、FP、FN。

混淆矩阵

相关（Relevant），正类 无关（NonRelevant），负类

被检索到（Retrieved） True Positives（TP，正类判定为正类。即女生是女生） False Positives（FP，负类判定为正类，即“存伪”。男生判定为女生）

未被检索到（Not Retrieved） False Negatives（FN，正类判定为负类，即“去真”。女生判定为男生） True Negatives（TN，负类判定为负类。即男生判定为男生）

1. 准确率 (Accuracy)

准确率是指有在所有的判断中有多少判断正确的，即把正的判断为正的，还有把负的判断为负的；总共有 TP + FN + FP + TN 个，所以准确率：Acc = (TP+TN) / (TP+TN+FN+FP)

2. 精确率(Precision)

精确率是相对于预测结果而言的，它表示的是预测为正的样本中有多少是对的；那么预测为正的样本就有两种可能来源，一种是把正的预测为正的，这类有TruePositive个, 另外一种是把负的错判为正的，这类有FalsePositive个，因此精确率即：P= TP / (TP+FP)

3. 召回率 (Recall)

召回率是相对于样本而言的，即样本中有多少正样本被预测正确了，这样的有TP个，所有的正样本有两个去向，一个是被判为正的，另一个是错判为负的，因此总共有TP+FN个，所以，召回率 R= TP / (TP+FN)

我们当然希望检索的结果P越高越好，R也越高越好，但事实上这两者在某些情况下是矛盾的。比如极端情况下，我们只搜出了一个结果，且是准确的，那么P就是100%，但是R就很低；而如果我们把所有结果都返回，那么必然R是100%，但是P很低。因此在不同的场合中需要自己判断希望P比较高还是R比较高。如果是做实验研究，可以绘制Precision-Recall曲线来帮助分析。

4.F-Measure

P和R指标有的时候是矛盾的，那么有没有办法综合考虑他们呢？我想方法肯定是有很多的，最常见的方法应该就是F-Measure了

F-Measure是Precision和Recall加权调和平均：

当参数a=1时，就是最常见的F1了：

F1综合了P和R的结果，当F1较高时则比较说明实验方法比较理想。将Precision和Recall的上述公式带入会发现，当F1值小时，True Positive相对增加，而false相对减少，即Precision和Recall都相对增加，即F1对Precision和Recall都进行了加权。

精确率，准确率，召回率，F-score

TP (true positives)：正类被判断为正类；

FP (false positives)：负类被判断为负类；

准确率召回率 准确率召回率平衡

FN (false negatives)：正类被判断为负类；

准确率召回率 准确率召回率平衡

TN (true negatives)：负类被判断为负类；

精确率（precision）： 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)；

召回率（recall）： 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)；

准确率（accuracy）： 所有的预测正确（正类负类）的占总的比重。

F-score值： F1值为算数平均数除以几何平均数，且越大越好，将Precision和Recall的上述公式带入会发现，当F1值小时，True Positive相对增加，而false相对减少，即Precision和Recall都相对增加，即F1对Precision和Recall都进行了加权。

1. 准确率

虽然准确率能够判断总的正确率，但是在样本不均衡的情况下，并不能作为很好的指标来衡量结果。

比如在样本集中，正样本有90个，负样本有10个，样本是严重的不均衡。对于这种情况，我们只需要将全部样本预测为正样本，就能得到90%的准确率，但是完全没有意义。对于新数据，完全体现不出准确率。因此，在样本不平衡的情况下，得到的高准确率没有任何意义，此时准确率就会失效。所以，我们需要寻找新的指标来评价模型的优劣。

2 . 精确率

精确率(Precision) 是针对预测结果而言的，其含义是在被所有预测为正的样本中实际为正样本的概率，精确率和准确率看上去有些类似，但是是两个完全不同的概念。精确率代表对正样本结果中的预测准确程度，准确率则代表整体的预测准确程度，包括正样本和负样本。

3. 召回率

召回率(Recall) 是针对原样本而言的，其含义是在实际为正的样本中被预测为正样本的概率。

准确率和召回率互相影响，理想状态下肯定追求两个都高，但是实际情况是两者相互“制约”：追求准确率高，则召回率就低；追求召回率高，则通常会影响准确率。我们当然希望预测的结果precision越高越好， recall越高越好， 但事实上这两者在某些情况下是矛盾的。这样就需要综合考虑它们，最常见的方法就是F-score。 也可以绘制出P-R曲线图，观察它们的分布情况。

4. F-score

一般来说准确率和召回率呈负相关，一个高，一个就低，如果两个都低，一定是有问题的。 一般来说，精确度和召回率之间是矛盾的，这里引入F1-Score作为综合指标，就是为了平衡准确率和召回率的影响，较为全面地评价一个分类器。F1是精确率和召回率的调和平均。

正确率和召回率

正确率(Precsion)和召回率(Recall)是广泛应用于信息检索和统计学分类领域的两个度量值，用来评估结果的质量。

一般来说，正确率就是检索出来的条目有多少是正确的，召回率就是所有正确的条目有多少被检索出来

是综合上面两个指标的估计指标，用于反映整体的指标

这几个指标的取值都在 0 - 1 之间，数值越接近于 1 效果越好。

有三类事物分别为 A，B 和 C 他们数量分别是 1400，300，300 我们目标获得更多的 A，进行一次收集后得到 A B 和 C 数量分别是 700，200 和 100 那么

我们希望检索的结果的正确率越高越好，同时也希望召回率越高越好不过在某些情况他们之间是矛盾的。有的时候我们想要提高准确率就会影响召回率，反之亦然。

正式因为正确率和召回率指标有时候出现的矛盾原因，我们可以通过 F-Measue 来综合考虑指标这时候我们就可以用 F1值来综合考虑。

其实上面介绍 F1公式是这个 公式的特例。

准确率、精确率、召回率

准确率 (accuracy) = (TP + TN) / (TP + FN + FP + TN)

通俗解释： 在所有样本中，预测正确的概率

精确率 (precision)= TP / (TP + FP)

通俗解释：你认为的正样本中，有多少是真的正确的概率

召回率 (recall) = TP / (TP + FN)

通俗解释：正样本中有多少是被找了出来

某池塘有1400条鲤鱼，300只虾，300只鳖。

现在以捕鲤鱼为目的。撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。

那么，这些指标分别如下：

出处

终于有人讲清楚准确率（accuracy）、召唤率(recall)和精确率（precision）的关系

召回率（R值），准确率（P值）及F值

一直总是听说过这几个词，但是很容易记混，在这里记录一下。希望对大家理解有帮助。

首先来做一个总结：

精确率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。

召回率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。

用公式表达如下：

假设我此时想吃香蕉，实验室里面每天都会安排10个水果，水果种类分别是6个香蕉，3个橘子，1个菠萝。哎，但是，实验室主任搞事情啊，为了提高我们吃水果的动力与趣味，告诉我们10个水果放在黑盒子中，每个人是看不到自己拿的什么，每次拿5个出来，哎，我去抽了，抽出了2个香蕉，2个橘子，1个菠萝。

下面我们来分别求求P值，R值，F值，哈哈！

按照一开始说的，精确率是针对我们 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。

这里我们的正样本就是我想吃的香蕉！

在预测结果中，有2个香蕉，总个数是我拿的5个，那么P值计算如下：

召回率（R值）

按照开始总结所说。

召回率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。

我们这里的正类是我想吃的香蕉，而在样本中的香蕉个数是6个，召回率的召回也可以这么理解，代表了，原始样本中正类召回了多少。R值计算如下：

分母已经变成了样本中香蕉的个数啦

F值

可能很多人就会问了，有了召回率和准去率这俩个评价指标后，不就非常好了，为什么要有F值这个评价量的存在呢？

按照高中语文老师所说的，存在即合理的说法，既然F值存在了，那么一定有它存在的必要性，哈哈哈哈！

我们在评价的时候，当然是希望检索结果Precision越高越好，同时Recall也越高越好，但事实上这两者在某些情况下有矛盾的。

比如极端情况下，在我们这个例子中，我们只搜索出了一个结果，且是香蕉，那么Precision就是100%，但是Recall为1/6就很低；而如果我们抽取10个水果，那么比如Recall是100%，但是Precision为6/10，相对来说就会比较低。

因此P和R指标有时候会出现的矛盾的情况，这样就需要综合考虑他们，最常见的方法就是F-Measure，通过计算F值来评价一个指标！

我这里给出最常见的F1计算方法，如下：

F1 = （2 P R）/(P+R)

F那么在我们这个例子中F1 = (2 2/5 2/6)/(2/5+2/6)(这里我就不算出来了，有这个形式，更加能体现公式特点！)

希望对大家理解有所帮助~

参考：

推荐系统评测指标-准确率(Precision)、召回率(Recall)、F值(F-Measure) | 书影博客