本文主要是介绍释机器学习中的召回率、精确率、准确率，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！
准确率和召回率之间通常存在一定的折衷关系——当阈值较高时，分类器的准确率较高，但召回率较低；
当阈值较低时，分类器的召回率较高，但准确率较低
- 召回率(灵敏度)：对实际为正类的样本，模型能识别出多少是正类(灵敏度)
分母：实际类别为正的样本个数(TP+FN=实际为正类的样本个数)
分子：预测为正实际为正的样本个数(TP) - 精确率：对正类样本的预测准确程度，
分母：预测为正的样本个数(TP+FP=正确预测+错误预测)
分子：预测为正实际为正(TP) - 准确率：对所有类别的样本的预测准确程度，
分母：所有类别样本个数=(预测为正样本个数+预测为负样本个数)
分子：正确预测样本个数=(预测为正实际为正+预测为负实际为负)
召回率（把正样本叫唤回来，因为我们把本来是正的样本给否定了，提升它就是尽量不要把正确的搞错了，也就是不漏报），精准率就是看我们预测的正样本的到底有多少是真正的正样本，因为有一些负的我们把它判为正了，提升精准率就是不错报。
精确率：分母是预测到的正类，精确率的提出是让模型的现有预测结果尽可能不出错(宁愿漏检，也不能让现有的预测有错)
召回率：分母是原本的正类，召回率的提出是让模型预测到所有想被预测到的样本(就算多预测一些错的，也能接受)
召回率和精确率二者整体是呈负相关关系，局部可能正相关：
- 当TP增加，召回率一定也增加(TP/实际为正样本数量不变)
- 而对于精确率：TP增大，FP可能减小也可能增大(更容易增大)。TP增加，FP减小这是理想情况(低偏差)，更符合实际情况的是TP增加FP也增加，即分母(TP+FP)更容易增大，精确率则更容易减小。当分子TP增加的部分没有分母增加的多时，精确率减小，
- 反映到PR曲线上，召回率和精确率整体负相关，但局部可能正相关，例如分子TP增大1，分母(TP增大1+FP减小2)减小，精确率增大。
- 总结一句话就是：TP增大，召回率一定增大，而精确率更容易减小
precision：focus在不出现错误的分类（宁可漏掉，不能出错）
recall：focus在分类不出现遗漏（宁可出错，不能漏掉）
假设你很穷，地主老爷送了一堆掺了沙子(N)的大米(P)，现在要做饭了，需要将大米(P)跟沙子(N)进行分离，将掺了沙子(N)的大米(P)分成大米堆(P类)与沙子堆(N类)，做饭用大米堆(P类)，沙子堆(N类)则选择丢弃，以下有几个指标可以评估分离的好坏程度：
大米堆(P类)=TP+FP
沙子堆(N类)=TN+FN
1、准确率=(TP+TN)/(TP+FP+TN+FN)——全局预测准确性
能成功地(T)把大米(TP)放进大米堆(TP+FP)，成功地(T)把沙子(TN)放进沙子堆(TN+FN)，综合成功率是多少呢？这就是准确率的关注点，看全局的分类能力，不仅要把大米(TP)分对(T)，还要把沙子(TN)也分对(T)。
2、精确率=TP/(TP+FP)——正分类里的预测准确性
准确率有个缺陷，要求太高了。比如你的目的就是煮饭，也就是说你更关注大米堆(TP+FP)，你不需要操心沙子(TN)到底有没有被成功地(T)分类到沙子堆(TN+FN)。因此，只要大米堆(TP+FP)里的大米(TP)比例越多，那你做饭的时候，大概率吃到的还是大米(TP)，而不是沙子(FN)。因此精确率就是看大米堆(TP+FP)里拥有的可食用大米(TP)比例，也可理解为将来做饭用的大米精度(浓度)。
3、召回率=TP/(TP+FN)——正样本的预测准确性
精确率关注的是吃饭时候，尽可能不要吃到沙子，所以他不关注粮食是否浪费的问题，而召回率关注的就是粮食浪费的问题，毕竟现在提倡节约，所以召回率就是关注大米(TP)样本中被成功地(T)分类到大米堆(P堆)的比例。“召回率”可以理解为，在所有大米(TP+FN)中回收实际食用的大米(TP)的比例。
这篇关于释机器学习中的召回率、精确率、准确率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！
