召回率

参考李航的统计学习方法 TP--将正类预测为正类数； FN--将正类预测为负类数； FP--将负类预测为正类数； TN--将负类预测为负类数； 准确率（accuracy） A = (TP + TN)/(P+N) = (TP + TN)/(TP + FN + FP + TN)； 反映了分类器统对整个样本的判定能力——能将正的判定为正，负的判定为负 精确率（precision）定义为 P=TP/(TP+FP)； 反映了被分类器判定的正例中真正的正例样本的比重 召回率（recall）定义为 R=TP/(TP+FN)； 反映了被正确判定的正例占总的正例的比重 F1的值 2/F1=1/P+1/R 对100条数据进行分类，100条数据中正的有70条，反的有30条，分类结果判定正的有50条（其中实际正的40条，反的10条），判定反的有50条（实际正的30条，反的20条）。 精确率为 40/(40+10) 召回率为 40/(40+30) 来源： https://www.cnblogs.com/yan456jie/p/5369425.html

我自己通俗的解释： 查全率＝召回率＝集合里面一共有多少个A，我们正确识别出多少个A，两个比一下 查准率＝精确率＝在识别出的结果A集合里面，有多少是真正的A，两个比一下 /*--> */ /*--> */ 在信息检索领域，精确率和召回率又被称为 查准率 和 查全率 ， 假设我们手上有 60个正样本， 40个负样本，我们要找出所有的正样本，系统查找出 50个，其中只有 40个是真正的正样本，计算上述各指标。 TP: 将正类预测为正类数 40 FN: 将正类预测为负类数 20 FP: 将负类预测为正类数 10 TN: 将负类预测为负类数 30 准确率 (accuracy) = 预测对的/ 所有 = (TP+TN)/(TP+FN+FP+TN) = 70% 精确率 (precision) = TP/(TP+FP) = 80% 召回率 (recall) = TP/(TP+FN) = 2/3 来源： https://www.cnblogs.com/gabrialrx/p/8881766.html

1、准确率，反映的是所有测试样本，假设一共100个测试样本，预测对了90个，则准确率是90%。 2、准确率适用于所有分类，包括二分类和多分类。 3、但是精确率与召回率，只适用于二分类。其中精确率描述了一个类别被判的准不准，而召回率描述了，测试集中，这个类的召回情况。 举例： 100个样本，由75个正类和25个负类组成。 80个判为正类，其中70个是真的正，10个是假的正 20个判为负类，其中15个是真的负，5个是假的负。 那么对于正类来说：精确率P=70/80=87.5% R=70/75=93% 召回这个词，代表了，对于测试样本，被打乱之后，有多少被我们叫回来了，即召回率。 而对于负类来说，精确率P=15/20=75% R=15/25=0.6 来源： https://www.cnblogs.com/yjybupt/p/10688474.html

Evaluation metrics a binary classifier accuracy,specificity,sensitivety.(整个分类器的准确性，正确率，错误率) 表示分类正确： True Positive：本来是正样例，分类成正样例。 True Negative：本来是负样例，分类成负样例。 表示分类错误： False Positive ：本来是负样例，分类成正样例，通常叫误报。 False Negative：本来是正样例，分类成负样例，通常叫漏报。 P=TP/TP+FP R=TP/ TP+FN F:2PR/P+R 转载一篇文章： 在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。 准确率、召回率、F1 信息检索、分类、识别、翻译等领域两个最基本指标是 召回率(Recall Rate) 和 准确率(Precision Rate) ，召回率也叫查全率，准确率也叫查准率，概念公式 : 召回率( R ecall) = 系统检索到的相关文件 / 系统所有相关的文件总数 准确率( P recision) = 系统检索到的相关文件 / 系统所有检索到的文件总数 图示表示如下： 注意：准确率和召回率是互相影响的，理想情况下肯定是做到两者都高，但是一般情况下准确率高、召回率就低，召回率低、准确率高

在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近做了一个汇总。 准确率、召回率、F1 信息检索、分类、识别、翻译等领域两个最基本指标是 召回率(Recall Rate) 和 准确率(Precision Rate) ，召回率也叫查全率，准确率也叫查准率，概念公式 : 召回率( R ecall) = 系统检索到的相关文件 / 系统所有相关的文件总数 准确率( P recision) = 系统检索到的相关文件 / 系统所有检索到的文件总数 图示表示如下： 注意：准确率和召回率是互相影响的，理想情况下肯定是做到两者都高，但是一般情况下准确率高、召回率就低，召回率低、准确率高，当然如果两者都低，那是什么地方出问题了 。一般情况，用不同的阀值，统计出一组不同阀值下的精确率和召回率，如下图： 如果是做搜索，那就是保证召回的情况下提升准确率；如果做疾病监测、反垃圾，则是保准确率的条件下，提升召回。 所以，在两者都要求高的情况下，可以用F1来衡量。 [python] view plain copy F1 = 2 * P * R / (P + R) 公式基本上就是这样，但是如何算图1中的A、B、C、D呢？ 这需要人工标注，人工标注数据需要较多时间且枯燥，如果仅仅是做实验可以用用现成的语料。当然，还有一个办法，找个一个比较成熟的算法作为基准

正确率（Precision）检索出来的条目有多少时正确的。（即检索的目标条目/检索的所有条目） ，召回率（Recall）所有正确的条目中有多少被检索出来了。（即检索的目标条目/所有的目标条目） F1值 = 2_正确率_召回率/正确率+召回率。用于综合反映整体的指标。 这几个指标的取值都在0-1之间。数值越接近于1，效果越好。 某池塘1400条鲤鱼，300只虾子，300只鳖。现在以捕捞鲤鱼为目的。撒一大网，逮着700条鲤鱼，200只虾，100只鳖。 正确率：700/700+200+100 = 0.7 召回率：700/1400 = 0.5 F1值：2*0.7*0.5/0.7+0.5 = 0.583 我们希望检索的结果precision越高越好，同时recall也越高越好，但有些情况下，这两者时矛盾的。比如极端情况下，我们只搜索出一个结果，且时准确的， 正确率与召回率指标有时候会出现矛盾的情况，这样就需要综合考虑他们，最常见的方法就是F-Measure（又称F-score）： F_\bata = (1+\bata^2) \cdot \frac {precision \cdot \recall}{(\bata^2 \cdot precision)+recall} 当\bata=1时，就是常见的F1指标。 来源： oschina 链接： https://my.oschina.net/u

** 数据挖掘、机器学习和推荐系统中的评测指标： ## 准确率(Precision)、召回率(Recall)、F值(F-Measure)简介。 ** 在机器学习、数据挖掘、推荐系统完成建模之后，需要对模型的效果做评价。 业内目前常常采用的评价指标有准确率(Precision)、召回率(Recall)、F值(F-Measure)等 1、准确率（Accuracy） 准确率是我们最常见的评价指标，而且很容易理解，就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好。 准确率确实是一个很好很直观的评价指标，但是有时候准确率高并不能代表一个算法就好。比如某个地区某天地震的预测，假设我们有一堆的特征作为地震分类的属性，类别只有两个：0：不发生地震、1：发生地震。一个不加思考的分类器，对每一个测试用例都将类别划分为0，那那么它就可能达到99%的准确率，但真的地震来临时，这个分类器毫无察觉，这个分类带来的损失是巨大的。为什么99%的准确率的分类器却不是我们想要的，因为这里数据分布不均衡，类别1的数据太少，完全错分类别1依然可以达到很高的准确率却忽视了我们关注的东西。再举个例子说明下。在正负样本不平衡的情况下，准确率这个评价指标有很大的缺陷。比如在互联网广告里面，点击的数量是很少的，一般只有千分之几，如果用acc，即使全部预测成负类（不点击）acc也有 99% 以上，没有意义。因此

分类算法评估方法练习 对于模型的考量有很多参数，最重要的是准确率，精度，召回率等，还有经常听到的F1值， 如果是那种提取词的算法，比如提取出日期，这种怎么算正确率呢？ 精确率 = 提取正确的结果数量/ 提取出来的所有数量 召回率 = 提取正确的结果数量/ 数据集中正确结果的所有数量 F1值 = 2 准确率 召回率/(准确率+召回率) F1值：兼顾了准确率和召回率； 为了加深印象，自己搞几个练习做下： 练习一： 总共有100个样本，50个是Yes，50个是No； 机器使用算法计算完后得到的结果如下： 55个是Yes（其中45个与实际相符，10个与实际不符); 45个是No（其中40个与实际相符，5个与实际不符）； 试计算这个算法的各个指标: 解： | Yes | No | Yes | TP = 45 | FN = 5 | P = 50 No | FP = 10 | TN = 40 | N = 50 | P' = 55 | N' = 45 | P+N = 100 正确率：(TP+TN )/(P+N) = 85 /100 = 0.85 精 度(precision): TP/(TP+FP) = 45/55= 0.818 召回率(recall)：TP/P = 45/50 = 0.9 综合分类率: F1 = 2 * (precision) * recall/(precision+recall)

在信息检索、分类体系中，有一系列的指标，搞清楚这些指标对于评价检索和分类性能非常重要，因此最近根据网友的博客做了一个汇总。 准确率、召回率、F1 信息检索、分类、识别、翻译等领域两个最基本指标是 召回率(Recall Rate) 和 准确率(Precision Rate) ，召回率也叫查全率，准确率也叫查准率，概念公式 : 召回率( R ecall) = 系统检索到的相关文件 / 系统所有相关的文件总数 准确率( P recision) = 系统检索到的相关文件 / 系统所有检索到的文件总数 图示表示如下： 注意：准确率和召回率是互相影响的，理想情况下肯定是做到两者都高，但是一般情况下准确率高、召回率就低，召回率低、准确率高，当然如果两者都低，那是什么地方出问题了 。一般情况，用不同的阀值，统计出一组不同阀值下的精确率和召回率，如下图： 如果是做搜索，那就是保证召回的情况下提升准确率；如果做疾病监测、反垃圾，则是保准确率的条件下，提升召回。 所以，在两者都要求高的情况下，可以用F1来衡量。 [python] view plain copy F1 = 2 * P * R / (P + R) 公式基本上就是这样，但是如何算图1中的A、B、C、D呢？ 这需要人工标注，人工标注数据需要较多时间且枯燥，如果仅仅是做实验可以用用现成的语料。当然，还有一个办法，找个一个比较成熟的算法作为基准

1、两个最常见的衡量指标是“准确率（precision）”（你给出的结果有多少是正确的）和“召回率（recall）”（正确的结果有多少被你给出了） 这两个通常是此消彼长的（trade off），很难兼得。很多时候用参数来控制，通过修改参数则能得出一个准确率和召回率的曲线（ROC），这条曲线与x和y轴围成的面积就是AUC（ROC Area）。AUC可以综合衡量一个预测模型的好坏，这一个指标综合了precision和recall两个指标。 但AUC计算很麻烦，有人用简单的F-score来代替。F-score计算方法很简单： F-score = (2*precision*recall) / (precision+recall) 即使不是算数平均，也不是几何平均。可以理解为几何平均的平方除以算术平均。 不妨举这样一个例子：某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目的。撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。那么，这些指标分别如下： 正确率 = 700 / (700 + 200 + 100) = 70% 召回率 = 700 / 1400 = 50% F值 = 70% * 50% * 2 / (70% + 50%) = 58.3% 不妨看看如果把池子里的所有的鲤鱼、虾和鳖都一网打尽，这些指标又有何变化： 正确率 = 1400 / (1400 + 300 +