召回率（R值），准确率（P值）及F值
image.png
一直总是听说过这几个词，但是很容易记混，在这里记录一下。希望对大家理解有帮助。
首先来做一个总结：
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。
召回率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。
用公式表达如下：
image.png
上面还是有点抽象，下面通过例子来解释一下上面说法：
准确率（P值）
假设我此时想吃香蕉，实验室里面每天都会安排10个水果，水果种类分别是6个香蕉，3个橘子，1个菠萝。哎，但是，实验室主任搞事情啊，为了提高我们吃水果的动力与趣味，告诉我们10个水果放在黑盒子中，每个人是看不到自己拿的什么，每次拿5个出来，哎，我去抽了，抽出了2个香蕉，2个橘子，1个菠萝。
下面我们来分别求求P值，R值，F值，哈哈！
按照一开始说的，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。
这里我们的正样本就是我想吃的香蕉！
在预测结果中，有2个香蕉，总个数是我拿的5个，那么P值计算如下：
image.png
召回率（R值）
按照开始总结所说。
召回率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。
我们这里的正类是我想吃的香蕉，而在样本中的香蕉个数是6个，召回率的召回也可以这么理解，代表了，原始样本中正类召回了多少。R值计算如下：
image.png
分母已经变成了样本中香蕉的个数啦
F值
可能很多人就会问了，有了召回率和准去率这俩个评价指标后，不就非常好了，为什么要有F值这个评价量的存在呢？
按照高中语文老师所说的，存在即合理的说法，既然F值存在了，那么一定有它存在的必要性，哈哈哈哈！
我们在评价的时候，当然是希望检索结果Precision越高越好，同时Recall也越高越好，但事实上这两者在某些情况下有矛盾的。
比如极端情况下，在我们这个例子中，我们只搜索出了一个结果，且是香蕉，那么Precision就是100%，但是Recall为1/6就很低；而如果我们抽取10个水果，那么比如Recall是100%，但是Precision为6/10，相对来说就会比较低。
因此P和R指标有时候会出现的矛盾的情况，这样就需要综合考虑他们，最常见的方法就是F-Measure，通过计算F值来评价一个指标！
我这里给出最常见的F1计算方法，如下：
F1 = （2PR）/(P+R)
F那么在我们这个例子中F1 = (22/52/6)/(2/5+2/6)(这里我就不算出来了，有这个形式，更加能体现公式特点！)
希望对大家理解有所帮助~
参考：
