準確率和召回率(precision&recall)
阿新 • • 發佈：2019-01-25
在機器學習、推薦系統、資訊檢索、自然語言處理、多媒體視覺等領域，經常會用到準確率(precision)、召回率(recall)、F-measure、F1-score 來評價演算法的準確性。
一、準確率和召回率(P&R)
以文字檢索為例，先看下圖
其中，黑框表示檢索域，我們從中檢索與目標文字相關性大的項。圖中黃色部分(A+B)表示檢索域中與目標文字先關性高的項，圖中
A+C部分表示你的演算法檢索出的項。A、B、C的含義圖中英文標出。
準確率：
召回率：
一般來說，準確率表示你的演算法檢索出來的有多少是正確的，召回率表示所有準確的條目中有多少被檢索出來。
準確率和召回率的關係
通常，我們希望準確率和召回率均越高越好，但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，此結果是正確的，求得precisin等於1。但是由於只搜出一個結果，recall值反而很低，接近於0。所以需要綜合考量，下面介紹F-measure。
二、F-measure
F-measure又稱F-score,其公式為：
其中F2值，更加註重召回率；F0.5值更加重視準確率。
當beta=1時，就是F1-score：
F-measure綜合了precision和recall,其值越高，通常表示演算法效能越好。