机器学习的评价标准及precision和recall的通俗理解

recall与precision区别：

（1）召回率亦称查准率，与误报相关。（误报即预测结果标记为负类的对象中包含实际属于正类的对象的数量），换言之，在所有真实应被识别的正类对象中被正确识别的比例即是召回效率。（详情请参考混淆矩阵）

其中，T指预测正确（预测为正样本，实际也为正样本的情况），F指预测错误。

Recall = TP / (TP + FN)，即表示真实标记为正的样本中正确分类的比例。在医疗领域中这一指标尤其重要，在具体应用场景中例如医疗专家利用机器学习模型预测病人的癌变情况时会发现患者对于误诊具有较高的敏感性——若出现误诊，则可能导致患者被遗漏而未能得到及时治疗这一严重后果——因此准确把握模型中的漏检率数据信息对于深入理解Recall概念至关重要。

precision又称为查准率，在一定程度上受到误报率的影响。（误报率即False Positive（FP），指的是将本应属于负类的对象误判作正类；进一步说明：把本来是阴性案例错判作阳性案例）

precision=\frac{TP}{TP+FP} 即被预测为正类的所有样本中真实标记为正类的比例，在实际应用中我们往往更关注于误报