纠正下，精确率(precision)和准确率(accuracy)是不同的，题主问的应该是精确率与召回率之间的差异。 Blog
一.定义辨析算法
- TP，True Positive
- FP，False Positive
- TN，True Negative
- FN，False Negative并发
精确率：precision = TP / (TP + FP) 分母是预测为正的样本数性能
召回率：recall = TP / (TP + FN) 原来样本中全部的正样本数spa
准确率：accuracy = (TP + TN) / (TP+ FP + TN + FN)htm
精确率是针对咱们预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。ci
召回率是针对咱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。get
实际上很是简单，精确率是针对咱们预测结果而言的，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)，另外一种就是把负类预测为正类(FP)，也就是it
而召回率是针对咱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)，另外一种就是把原来的正类预测为负类(FN)。io
其实就是分母不一样，一个分母是预测为正的样本数，另外一个是原来样本中全部的正样本数class
举个栗子
假设咱们手上有60个正样本，40个负样本，咱们要找出全部的正样本，系统查找出50个，其中只有40个是真正的正样本，计算上述各指标。
- TP: 将正类预测为正类数 40
- FN: 将正类预测为负类数 20
- FP: 将负类预测为正类数 10
- TN: 将负类预测为负类数 30
准确率(accuracy) = 预测对的/全部 = (TP+TN)/(TP+FN+FP+TN) = 70%
精确率(precision) = TP/(TP+FP) = 80%
召回率(recall) = TP/(TP+FN) = 2/3
而F值，则是综合这两者指标的评估指标，用于综合反映总体的指标。
F值 = 正确率 * 召回率 * 2 / (正确率 + 召回率) （F 值即为正确率和召回率的调和平均值）。
调和平均值公式：
ROC 曲线在 Y 轴上画出了真正例率（TPR），在 X 轴上画出了假正例率 (FPR)(在全部真假中有多少被标记位假真了)。TPR 是召回率，FPR 是反例被报告为正例的几率。这二者均可以经过混淆矩阵计算获得。
1. 选择最佳的诊断界限值。ROC曲线越靠近左上角,试验的准确性就越高。最靠近左上角的ROC曲线的点是错误最少的最好阈值，其假阳性和假阴性的总数最少
2. 两种或两种以上不一样诊断试验对算法性能的比较。在对同一种算法的两种或两种以上诊断方法进行比较时，可将各试验的ROC曲线绘制到同一坐标中，以直观地鉴别优劣，靠近左上角的ROC曲线所表明的受试者工做最准确。亦可经过分别计算各个试验的ROC曲线下的面积(AUC)进行比较，哪种试验的 AUC最大，则哪种试验的诊断价值最佳。
在阈值为 1.0 的状况下，咱们将位于图的左下方，由于没有将任何数据点识别为正例，这致使没有真正例，也没有假正例（TPR = FPR = 0）。当下降阈值时，咱们将更多的数据点识别为正例，致使更多的真正例，但也有更多的假正例 ( TPR 和 FPR 增长)。最终，在阈值 0.0 处，咱们将全部数据点识别为正，并发现位于 ROC 曲线的右上角 ( TPR = FPR = 1.0 )。