Precision & Recall
2016-03-03 19:58
302 查看
版权声明：本文为博主原创文章，遵循 CC 4.0 by-sa 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/theotherguy/article/details/50791209
定义
模式识别 & 信息检索领域中的二分类问题中，一个分类器的计算效果可以通过如下两个指标进行衡量：
- Precision：识别样本中，相关的样本比例；
- Recall：相关样本中，识别的样本比例；
二者关系如下图所示：
如：在9只Dog和若干Cat构成的集合中，一个分类器识别出了7只Dog；其中4只识别正确，另外3只为Cat；此时：
Precision = 4/7
Recall = 4/9
Type I & Type II Error
如果将零假设定义为： 分类器识别了所有，且仅相关样本； 那么precision & recall 分别对应于第I类和第II类错误；上例中包含了3个第I类错误和5个第二类错误；
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- Precision and Recall
- recall and precision
- Precision & Recall & F1
- 推荐系统评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)
- 通用算法（ML,DL）分类判定指标：召回率 Recall、精确度Precision、准确率Accuracy等
- 二分类计算precision,recall，和f值
- Precision和Recall（召回率）
- 推荐系统评测指标--准确率(Precision)和召回率(Recall)、F值(F-Measure)
- 推荐系统评测指标—准确率(Precision)、召回率(Recall)、F值(F-Measure)
- 机器学习入门——recall与precision的解释
- Precision和Recall：如何评价保安的能力
- 准确率(Accuracy), 精确率(Precision), 召回率(Recall)和F1-Measure
- 机器学习常见评价指标：AUC、Precision、Recall、F-measure、Accuracy
- 深度学习之：查全率（召回率recall）和查准率（精确率precision）
- 召回率 Recall、精确度Precision、准确率Accuracy、虚警、漏警等分类判定指标
- 准确率（Precision）、召回率（Recall）以及综合评价指标（F1-Measure ）
- accuracy、precision、recall、true positives, true negatives, false positives 和 false negatives
- Precision and recall From Wiki
- Precision/Recall和ROC曲线
- 信息检索的评价指标(Precision, Recall, F-score, MAP)