一般來說，召回率和查準率的關系如下：1、如果需要很高的置信度的話，查準率會很高，相應的召回率很低；2、如果需要避免假陰性的話，召回率會很高，查準率會很低。下圖右邊顯示的是召回率和查準率在一個學習算法中的關系。值得註意的是，沒有一個學習算法是能同時保證高查準率和召回率的，要高查準率還是高召回率，取決於自己的需求。此外，查準率和召回率之間的關系曲線可以是多樣性，不一定是圖示的形狀。

如何取舍查準率和召回率數值：

一開始提出來的算法有取查準率和召回率的平均值，如下面的公式average=（P+R）/2。顯然，在給出的三個算法當中，算法3的平均值是最高的，然而通過查準率（0.02）和召回率（1.0）可以看出這並不是一個很好的模型。因此，取平均值這個評估模式是不可取的。

如果采用F score算法來同時評估查準率和召回率，則是比較有用的算法。分子的PR決定了查準率（P）和召回率（R）必須同時比較大，才能保證F score數值比較大。假如查準率或者召回率很低，接近於0，直接導致的後果PR值非常低，趨近於0，也就是F score也很低。

此時再比較三個算法，可發現算法1是最優的，同時我們觀察到算法3在這個公式中F score值是最低的。很好的說明了算法3不是一個很好的模型（查準率太低）。說明F score是一個很好的同時評估查準率和召回率的公式。

斯坦福大學公開課機器學習：machine learning system design | trading off precision and recall（F score公式的提出：學習算法中如何平衡（取舍）查準率和召回率的數值）