召回率

召回率 准确率

召回率、准确率：准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。定义：1、正确率=提取出的正确信息条数/提取出的信息条数2、召回率=提取出的正确信息条数/样本中的信息条数3、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）

什么是召回率？

检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率；精度是检索出的相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率。准确率表示的是所有分类中被正确分类的样本比例，比如对于一个分类模型，样本包含A和B两类，模型正确识别了A类中的A0个样本，B类中的B0个样本，则准确率为 （A0+B0）/（A+B) 。扩展资料：当初步查全工作结束时，必须对初步查全专利文献库的查全率进行评估，该查全率是表明能否结束查全工作的依据。若此时查全率不够理想，则需要继续进行查全工作，反之若达到预期的查全率，则可结束查全工作。去噪过程也被称为“查准”的过程，其是对查全数据库进行去除与分析主题无关的专利文献的过程，该过程中不可避免地误删有效文献，为了检验去噪过程中是否误删了过多的有效文献，在去噪工作结束时必须对去噪之后的专利文献集合进行查全率的评估。

【基础概念】准确率和召回率

算法模型大大提升了对各类结果的预测效率。

【算法模型的本质】
算法模型的本质，是基于输入的各类变量因子，通过计算规则（模型or公式），得出预测结果。
典型的预测结果比如：（通过历史行为&偏好预测）用户对某条信息点击的可能性、（通过历史行为&偏好预测）用户的自然人口属性如性别等。

【如何判定模型的好坏】
准确率和召回率的评估，是验证算法模型好坏最常用的手段之一。
现在假设你和模型在玩问答游戏，每次拿一个样本，告诉他一些这个人的信息，让ta找出所有男生。
准确率=预测的准确量/召回量（找出量）。比如：在所有样本中，模型预找出50人说他们都是男性，而找出的这波人里实际只有40人为男性，准确率=40/50=80%，用来衡量找出部分的准确度。
召回率=召回中的准确量/客观正确的量。是拿真实的结果，和预测结果比对。比如：总共实际有60个男性，模型只找出了50个，那召回率=50/60=83.3%，用来衡量找出部分对实际真实部分的覆盖情况。

【准召判定，会有哪些情况？】
















下图。理想情况——又多有准确。棒。

准确率、精确率、召回率

准确率 (accuracy) = (TP + TN) / (TP + FN + FP + TN) 通俗解释： 在所有样本中，预测正确的概率 精确率 (precision)= TP / (TP + FP) 通俗解释：你认为的正样本中，有多少是真的正确的概率 召回率 (recall) = TP / (TP + FN) 通俗解释：正样本中有多少是被找了出来 某池塘有1400条鲤鱼，300只虾，300只鳖。 现在以捕鲤鱼为目的。撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。 那么，这些指标分别如下： 出处 终于有人讲清楚准确率（accuracy）、召唤率(recall)和精确率（precision）的关系