分类模型评价指标-召回率和精确率

如何评价一个分类模型的好坏，我们需要一些评价指标来评价分类模型的好与坏，我们今天主要讲解召回率和精确率的这两个评价指标。

1.几个常用的术语

现在假设我们的分类目标只有两类，计为正类（positive）和负类（negtive）分别是：
1）True positives(TP): （真阳性）被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；
2）False positives(FP):（假阳性） 被错误地划分为正例的个数，即 实际为负例但被分类器划分为正例的实例数；
3）False negatives(FN):（假阴性）被错误地划分为负例的个数，即实际为正例但被分类器划分为 负例的实例数；
4）True negatives(TN): （假阴性）被正确地划分为负例的个数 ，即实际为负例且被分类器划分为负例的实例数。
下面有图来具体的了解一下：

• 矩形表示来医院检验是否得癌症的人
• 黑圆表示实际得癌症的人
• 白圆表示实际没有得癌症的人
• 大白圆表示我们预测得癌症的人
• 圆形以外表示我们预测未得癌症的人
  我们有图可知，
  1.大白圆以外的黑点表示预测不得癌症，实际得癌症为假阴性
  2.大白圆以外的白点表示预测不得癌症，实际也不得癌症为真阴性
  3.大白圆以内的黑点表示预测得癌症，实际得癌症为真阴性
  4.大白圆以内的白点表示预测得癌症，实际不得癌症为假阳性

2.精确率和召回率

• 精确率的表达式：
  精确率：在被所有预测为正的样本中实际为正样本的概率
  用上图解释的，就是预测中实际得癌症实际也得癌症的人（大白圆中黑点数）占预测得癌症的人（大白圆中的所有数）的概率。

• 召回率的表达式：
  召回率就是识别的正例占所有实际正例的比例。
  用上图解释的，就是预测中实际得癌症实际也得癌症的人（大白圆中黑点数）占实际得癌症的人（所有黑点数）的概率。
  -召回率和精确率的关系
  精准率和召回率是两个互相矛盾的目标，提高一个指标，另一个指标就会不可避免的下降。
  在实际生活中我们一般根据实际情况确定，我们要提高那个指标，比如在上述例子中则是要保证准确率的条件下，提升召回率，如果我们将未得癌症的人预测为得癌症，只会重新检查而已，代价不大。得癌症的人如果没有预测出，就是一条生命，代价太大。

• 实际应用：

（1）如果是做搜索，则要在保证召回率理想的情况下，提升准确率。
（2）如果做疾病监测、反垃圾，则是要保证准确率的条件下，提升召回率。

3.结论：

在实际工作中，我们需要根据实际情况，确定提高准确率还是召回率。