recall and precision
2015-06-04 11:31
288 查看
1. 定义
通俗的讲,Precision 就是检索出来的条目中(比如网页)有多少是准确的,Recall就是所有准确的条目有多少被检索出来了以为检索为例:
相关 | 不相关 | |
检索到 | A | B |
未检索到 | C | D |
B:检索到的,但是不相关的 (搜到的但没用的)
C:未检索到的,但却是相关的 (没搜到,然而实际上想要的)
D:未检索到的,也不相关的 (没搜到也没用的)
P=A/A+B; R=A/A+C
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 + 300) = 70%
召回率 = 1400 / 1400 = 100%
F值 = 70% * 100% * 2 / (70% + 100%) = 82.35%
由此可见,正确率: 评估捕获的成果中目标成果所占得比例;
召回率: 从关注领域中,召回目标类别的比例;
F值: 综合这二者指标的评估指标,用于综合反映整体的指标。
2. 指标
在实际当中我们当然希望检索的结果P越高越好,R也越高越好;事实上这两者在某些情况下是矛盾的。比如,我们只搜出了一个结果,且是准确的,那么P就是100%,但是R就很低;而如果我们把所有结果都返回,那么必然R是100%,但是P很低。因此在不同的场合中需要自己判断希望P比较高还是R比较高。如果是做实验,可以绘制Precision-Recall曲线来帮助分析。F-Measure是Precision和Recall加权调和平均:
很容易理解,F综合了P和R的结果,当F较高时则比较说明实验方法比较理想,但系数为1时候就是我们常见的F1
相关文章推荐
- MongoDB Linux下的安装和启动
- 如何搞定SVN目录的cleanup问题和lock问题
- 如何在eclipse jee中创建Maven project并且转换为Dynamic web project
- BZOJ3996 线性代数
- hibernate关联关系笔记
- iis7 发布mvc 遇到的HTTP错误 403.14-Forbidden Web 服务器被配置为不列出此目录的内容
- JQuery中$(this)和this的区别
- 新博客地址更新
- 我和学员那些事儿——涅槃重生的背后
- Linux中的 find 命令
- linux 新建swap 分区
- linux定时任务的设置 crontab 配置指南
- 机器学习题目
- 9. Palindrome Number
- 类的单态设计模式
- CSS中的before和after伪元素及其应用
- Android屏幕适配全攻略(最权威的官方适配指导)
- hasLayout
- 解决c/c++函数返回局部变量char*的错误
- 欢迎使用CSDN-markdown编辑器