precision与Recall

precision与Recall

在机器学习中，precision与recall是常用的指标，在说这两个概念之前，首先来说下精度(Precision)与准度(Accuracy)。

Precision指精度，意味着随机误差(Random Error)小，即方差(Variance)小，描述了实际值的扰动情况。
Accuracy指准度，意味着系统误差(System Error)小，即偏差(Bias)小，描述了实际值与真实结果的偏离程度。
准确度高，意味着误差(Error)小，Error = Bias + Variance

在机器学习中，可以将预测分为四种情况

True Positive(TP)：预测为正实际为正，预测对了

False Negative(FN): 预测为负实际为正，预测错了

False Positive(FP): 预测为正实际为负，预测错了

True Negative(TN): 预测为负实际为负，预测对了

例如，有60个正样本，40个负样本，系统预测了50个正样本，其中40个是预测正确的正样本；预测了50个负样本，其中30个是预测正确的负样本。TP=40，FP=10；FN=20，TN=30。

定义：

可得上例中：

Precision（精确度） = 40/(40+10)=80%

Recall（召回率） = 40/(40+20)=66.7%;

Accuracy（准确度） = (40+30)/(40+10+30+20) = 70%

F1 Score = 240/(240+10+20) = 72.7%

由此可见：

Precision是预测为正实际为正占预测为正的比例，Precision可以视作是模型找出来的数据的正确能力，Precision=1表示模型找一个对一个，Presicion=0.5表示模型找出2个，能对1个。

Recall是预测为正实际为正占总体正样本的比例，Recall可以视作是模型在数据集中，检测出目标类型数据的能力，即是否把想找出来的都找出来了，Recall=1表示已经把想找出来的数据全部找出来了。

Accuracy是预测为正实际为正和预测为负实际负占总样本的比例。

参考博客：https://www.jianshu.com/p/fd9b1e89f983