在很多實際應用中，我們知道僅僅關心正確分類的結果是不夠的，並且，在資料偏斜比較嚴重的情況下，模型準確率可能具有相當程度的誤導性，我們也需要知道資料被錯誤分類的情況，以確認為此需要承擔的分類錯誤的代價。（False Positive假陽性和False Negative假陰性，這兩種情況）

查準率（Precision精度）：用於描述所有被正確分類的樣本中真陽性的比值。

查全率（Recall召回率）：真陽性樣本的數量與樣本集中所包含的全部陽性樣本的比值。

                                     分類結果混淆矩陣

如上矩陣所示：

我們將演算法預測的結果分為四種情況：

TP(True Positive)：真正例（正確肯定），預測為真，實際為真

FN(False Negative)：假反例（錯誤否定），預測為假，實際為真

FP(False Positive)：假正例（錯誤肯定），預測為真，實際為假

TN(True Negative)：真反例（正確否定），預測為假，實際為假

假設我們想要用機器學習演算法來預測腫瘤是不是惡性的

其中，查準率的定義為：P=TP/(TP+FP)

它表示在所有我們預測有惡性腫瘤的病人中，實際患有惡性腫瘤的病人百分比，比例越高，說明FP越小，查得越準。

召回率定義為：R=TP/TP+FN

它表示在所有實際是惡性的樣例中，預測為惡性的比例。比例越高，說明FN越小，漏掉的惡性的樣例越少，查得越全。

降低閥值，提高Recall

提高閥值，提高Precision

在這塊我們可以看出，查準率和查全率直接是比較矛盾的，要想查準率高，那麼你就要將你最有把握認為是惡性的腫瘤選出來，但這樣就會漏掉一些被誤認為是良性，實際是惡性的腫瘤，使得查全率比較低；相反，要是想要查全率比較高，那麼就要在預測的時候儘可能多的預測一些腫瘤是惡性的，如果是這樣的話，那麼實際上是惡性的腫瘤確實被預測出來了，查全率也確實高了，但相應，查準率也降低了。

那麼在這塊，我們引入F1度量，用它來平衡查準率與查全率

F1 = 2*P*R/(P+R) = 2PR/(樣例總數-TP-TN)

若對查準率/查全率有不同偏好：

>1時查全率有更大影響，<1時查準率有更大影響。