Precision（精确率 / 查准率）和 Recall（召回率 / 查全率）是分类任务中常用的两种性能度量，它们用于评估模型在处理二分类或多分类问题时的表现。

Precision（精确率）

精确率衡量的是模型预测为正类的样本中，真正为正类的比例。它回答了以下问题：

• 在所有被模型预测为正类的样本中，有多少是真正的正类？

精确率的计算公式为：

其中：

• TP（True Positive）：真正例，即被正确预测为正类的样本数。
• FP（False Positive）：假正例，即被错误预测为正类的样本数。

Recall（召回率）

召回率衡量的是实际为正类的样本中，被正确预测为正类的比例。它回答了以下问题：

• 在所有实际为正类的样本中，有多少被模型正确地识别出来？

召回率的计算公式为：

其中：

• TP（True Positive）：真正例，即被正确预测为正类的样本数。
• FN（False Negative）：假负例，即被错误预测为负类的样本数。

python使用示例

from sklearn.metrics import confusion_matrix, precision_score, recall_score


y_true = [0, 1, 1, 0, 1, 0, 1, 1, 0, 1]

y_pred = [0, 1, 0, 0, 1, 0, 1, 0, 0, 1]

cm = confusion_matrix(y_true, y_pred)
print("Confusion Matrix:\n", cm)

precision = precision_score(y_true, y_pred)
print(f'Precision (精确率): {precision}')

recall = recall_score(y_true, y_pred)
print(f'Recall (召回率): {recall}')

Precision和Recall的权衡

精确率和召回率之间通常存在权衡关系：

• 高精确率意味着预测为正类的样本中大部分是真正的正类，但可能会漏掉一些实际为正类的样本（召回率较低）。
• 高召回率意味着大部分实际为正类的样本都被正确识别，但可能会误将一些负类样本预测为正类（精确率较低）。

为了综合考虑精确率和召回率，可以使用F1-score，它是精确率和召回率的调和平均数：

F1-score提供了一个单一的度量来平衡精确率和召回率，特别适用于类不平衡的数据集。

总结

• Precision（精确率）：在所有被预测为正类的样本中，真正为正类的比例。
• Recall（召回率）：在所有实际为正类的样本中，被正确预测为正类的比例。