大家好，欢迎来到IT知识分享网。

准确率(accuracy)、精确率(Precision)、查准类、召回率(Recall)、查全率概念

准确率(accuracy),精确率(Precision)和召回率(Recall)是信息检索，人工智能，和搜索引擎的设计中很重要的几个概念和指标。

准确率(accuracy)：预测对的/所有 = (TP+TN)/(TP+FN+FP+TN) 。实际上非常简单，准确率是我们最常见的评价指标，而且很容易理解，就是被分对的样本数除以所有的样本数，通常来说，正确率越高，分类器越好。Acc = (TP + TN)/(P+N) = (TP + TN)/(TP + FN + FP + TN)

精确率(precision)、查准类：Precision = TP / (TP + FP)。精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)

召回率(recall)、查全率：Recall = TP/(TP + FN)。是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。

其中TP代表正确（TURE）预测出正样类（POSITIVE）、FN代表错误（FALSE）预测成负类（NEGTIVE）而真实标签为正样本。FP代表将负类预测为正类数，TN代表将负类预测为负类数，这些指标源于下表。

举例说明

先假定一个具体场景作为例子。假如某个班级有男生80人,女生20人,共计100人，目标是找出所有女生,某人挑选出50个人，其中20人是女生，另外还错误的把30个男生也当作女生挑选出来了。

TP=20,FP=30,FN=0,TN=50。

accuracy:分类正确的人占总人数的比例。他把其中70(20女+50男)人判定正确了,而总人数是100人，所以它的accuracy就是70 %。

当正负样本比例失调时，单纯的依靠准确率不靠谱。例如99个负样本，1个正样本，将样本全部判断为负即可达到99%的准确率。

Precision：TP / (TP + FP)=（20）/(20+30男生误判为女生)=40%

Recall ：TP/(TP + FN)=（20）/（20+0女生误判为男生）=100%

总结

以上讲述了准确率(accuracy)、精确率(Precision)、查准类、召回率(Recall)、查全率之间的区别以及计算，下一章讲述机器学习分类模型评估F值(F-Measure)、AUC、ROC等概念