準確率和召回率(precision&recall)

標籤：機器學習   準確率和召回率   

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)

以文本檢索為例，先看

其中，黑框表示檢索域，我們從中檢索與目標文本相關性大的項。圖中黃色部分(A+B)表示檢索域中與目標文本先關性高的項，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：

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。

準確率和召回率(precision&recall)