理解查全率(precision)与查准率(recall)

本文主要是介绍理解查全率(precision)与查准率(recall)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1. 概念解读

在一个二分类问题中，非对既是错

真实情况\预测情况	positive	negative
True	TP	TN
False	FP	FN

Notice: 上面的图表是个反例，错误的原因是T\F的使用，T代表着预测正确，F代表着预测错误。

真实情况\预测情况	positive	negative
True	TP	FN
False	FP	TN

• 查全率
  $$\text{precison}=\frac{\mathrm{T}\mathrm{P}}{TP+FN}$$
• 查准率
  $$\text{recall}=\frac{\mathrm{T}\mathrm{P}}{TP+FP}$$

查准率（Precision）就是你认为是对的样例中，到底有多少真是对的。
查全率（Recall）就是所有对的样例，你找出了多少，或者说你判断对了多少。

tip: 我在刚刚接触到这两个概念的时候总是傻傻分不清楚，这里记录一下我现在的看法。如上图数据，横着看表示数据集的正负分布，正集：$\text{TP}\cup \text{FN}$; 负集： $\text{FP}\cup \text{TN}$。首先查全率和查准率的分子都是$\text{TP}$，表示所有猜对的正集，查准率针对的是预测集中认为是对的样例，分母是$TP+FP$；查全率针对的是所有正确的样例，分母是$TP+FN$。

这里有一个问题： ：查准率和查全率是一对矛盾的度量。一般来说查准率高时，查全率往往偏低；反之同理。 可是为什么就不能两个都高呢？
引用西瓜书上面的回答：

若希望将好瓜尽可能多的选出来，则可通过增加选瓜的数量来实现，如果将所有的西瓜都选上，那么所有的好瓜也必然都被选上了，但这样查准率就会较低，通常只有简单的问题，才会使查全率和查准率都很高。

2. $F_1$度量

$F_1$度量是基于查全率与查准率的调和平均(harmonic mean)。
定义为：
$$\frac{1}{F_1}=\frac{1}{2}(\frac{1}{P}+\frac{1}{R})$$
$$F_1=\frac{2\times P\times R}{P+R}=\frac{2\times TP}{2\times TP+FP+FN}$$

3. $F_{\beta }$度量

$F_{\beta }$是加权调和平均，是F1度量的一般形式。
$$\frac{1}{F_{\beta }}=\frac{1}{1+{\beta }^2}(\frac{1}{P}+\frac{{\beta }^2}{R})$$

这篇关于理解查全率(precision)与查准率(recall)的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---