精確率（precision），召回率（recall）由混淆矩陣（confusion matrix）計算得來。

在資訊檢索中，精確率通常用於評價結果的質量，而召回率用來評價結果的完整性。

實際上，精確度（precision）是二元分類問題中一個常用的指標。
精確度就是標記為“正”，而確實是”正“的樣本佔所有標記為“正”的樣本的比例。

和精確率一起出現的還有另一個指標召回率（recall），

1. 在所有預測為正的樣本中，確實為正的比例；
2. 本身為正的樣本中，被預測為正的比例

例如，假設資料集有 50 個樣本，其中20個為正。分類器將 50 個樣本中的 10 個標記為“正”（TP+FP=10），在這10個被標記為“正”的樣本中，只有 4 個確實是“正“（TP=4），所以這裡的精確度為 4/10 = 0.4，召回率為 4/20 = 0.2.

我麼也可將這些概念，應用多分類問題，把每個類別單獨視為”正“，所有其它型別視為”負“，考慮如下的混淆矩陣：

M = [
    [14371, 6500, 9, 0, 0, 2, 316],
    [5700, 22205, 454, 20, 0, 11, 23],
    [0, 445, 3115, 71, 0, 11, 0],
    [0, 0, 160, 112, 0, 0, 0],
    [0, 888, 39, 2, 0, 0, 0],
    [0, 486, 1196, 30, 0, 74, 0],
    [1139, 35, 0, 0, 0, 0, 865]
]

分別計算各個類別的精確率與召回率：

n = len(M)
for
 
 i in range(n):
    rowsum, colsum = sum(M[i]), sum(M[r][i] for r in range(n))
    try:
        print 'precision: %s' % (M[i][i]/float(colsum)), 'recall: %s' % (M[i][i]/float(rowsum))
    except ZeroDivisionError:
        print 'precision: %s' % 0, 'recall: %s' %0