前2篇文章，介紹了正確率(Accuracy)和精確率(Precision)的評估方法。其中指出了正確率(Accuracy)雖然簡單直觀，但在很多時候并不是一個真正正確的評估指標。

那么精確率(Precision)可能會有什么問題呢?我們還是看看它的計算公式:

Precision=真陽真陽+假陽Precision=真陽真陽+假陽

如果“假陽=0”，那么精確率就是100%，這很好，但有什么問題呢?

舉個例子：癌癥檢查數據樣本有10000個，其中10個數據樣本是有癌癥，其它是無癌癥。分類模型在無癌癥數據中全都預測正確，在10個癌癥數據中預測正確了1個，此時真陽=1，真陰=9990，假陽=0,假陰=9。根據精確率的計算公式：

Precision=11+0=100%Precision=11+0=100%

顯然，這是不合理的。

因為”精確率“并沒有考慮到”假陰“的問題，即它只關心查出來的”癌癥”有多少是”真癌癥”，至于是癌癥但沒査出來的，認為不是“癌癥的”即”假陰“它管不著。但是，我們癌癥檢查的時候，有癌癥卻查出來”不是癌癥“，這是非常要命的。

所以考慮這種情況，那么就需要用到召回率(Recall)，其計算公式為：

Recall=真陽真陽+假陰Recall=真陽真陽+假陰

上面癌癥例子中，召回率的值為：

Recall=11+9=10%Recall=11+9=10%

即從召回率數值看，這個分類模型是不好的。

還是上面的例子：假設分類模型在無癌癥數據9990中預測正確了9980個，在10個癌癥數據中預測正確了10個。此時真陽=10，真陰=9980，假陽=10，假陰=0。則其精確度為10/(10+10)=50%，而召回率為10/(10+0)=100%。即精確度雖然不高，謊報了幾個癌癥，但是所有的真癌癥都沒有錯過，這是非常重要的。

所以，各種分類評估指標各有優缺點，我們具體采用什么指標來評估分類模型，關鍵還是看我們的具體應用。如果是地震、癌癥、欺詐交易等，我們寧愿有誤報，但不能錯過一個，這時就主要看召回率。如果是文檔搜索，我們并不關心搜的全不全，搜出來的都是我們想要的信息就夠了，那么就主要看精確率。

召回率(Recall)還有一個名稱，叫查全率。但是注意，查全率這個名稱主要用在信息檢索領域.例如一個論文數據庫，搜索”加器學習”相關論文，總共有100萬篇論文，其中與機器學習相關的論文有2萬篇，搜出來的文檔數量為1萬篇，其中真正與”機器學習”相關的文檔數量為9000篇，那么查全率就是9000/(9000+（20000-9000）)=45%

總結

以上是生活随笔為你收集整理的分类模型的评估方法-召回率(Recall)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。