轉載 Recall(召回率);Precision（準確率）;F1-Meature（綜合評價指標）
阿新 • • 發佈：2019-01-03
原文：http://blog.csdn.net/t710smgtwoshima/article/details/8215037
Recall(召回率);Precision（準確率）;F1-Meature（綜合評價指標）;
在資訊檢索(如搜尋引擎)、自然語言處理和檢測分類中經常會使用這些引數，介於語言翻譯上的原因理解難免出現誤差，下面介紹下自己對他們的理解。
首先來個定義：
Precision:被檢測出來的資訊當中 正確的或者相關的（也就是你想要的）資訊中所佔的比例；
Recall：所有正確的資訊或者相關的資訊(wanted)被檢測出來的比例。
F1-Meature後面定義。
查了資料都習慣使用四格圖來解釋,來個易懂的四格圖：
表格中的翻譯比較重要，可以幫助理解。
true positives (納真) false positives（納偽）
false negatives（去真）true negatives (去偽)
其中false positives（納偽）也通常稱作誤報，false negatives也通常稱作漏報！
| 正確的、相關的（wanted） | 不正確的、不相關的 | ||||
|
|
|
|||
|
|
|
然而在實際當中我們當然希望檢索的結果P越高越好，R也越高越好；事實上這兩者在某些情況下是矛盾的。比如，我們只搜出了一個結果，且是準確的，那麼P就是100%，但是R就很低；而如果我們把所有結果都返回，那麼必然R是100%，但是P很低。因此在不同的場合中需要自己判斷希望P比較高還是R比較高。如果是做實驗，可以繪製Precision-Recall曲線來幫助分析。
F-Measure是Precision和Recall加權調和平均：
當引數a=1時，就是最常見的F1了：
很容易理解，F1綜合了P和R的結果，當F1較高時則比較說明實驗方法比較理想。