查准率与查全率(precision and recall) 的个人理解
假设要识别照片中的狗的，在一些照片中，包含12只狗的照片和一些猫的照片。算法识别出有8只狗。在确定的8只狗中，5只实际上是狗（真阳性TP），而其余的是猫（假阳性FP）。该程序的精度为5/8，而其召回率为5/12。
| Predicted | |||
| Actual | 狗(+) | 猫(-) | |
| 狗(+) | 5(TP) | FN | 12 |
| 猫(-) | 3(FP) | TN | |
| 8 |
Confusion matrix
TP: T 是指标记正确， P 是指实际中的类别是P类, 所以
TP：正确地标记为正。
FP：错误地标记为正（即原来是负，标记成正）。
FN：错误地标记为负（即原来是正，标记成负）。
TN：正确地标记为负。
查准率 = 精度 = precision
查全率 = 召回率 = recall
当搜索引擎返回30个页面时，只有20个页是相关的(实际相关)，而没有返回另外40个相关页面，其精度为20/30 = 2/3，而召回率为20/60 = 1/3。所以，在这种情况下，精度是“搜索结果有用”，召回率是“结果如何完整”。
| Predicted | |||
| Actual | (+) | (-) | |
| (+) | 20(TP) | 40（FN) | 60 |
| (-) | FP | TN | |
| 30 |
Confusion matrix
商品推荐系统中，为了尽可能地少打扰用户，更希望推荐内容确实是用户感兴趣的，就要提高精度（查准率），在分类时，慎重地预测为+，也就是说，预测成正地比例将减小，即中 TP+FP变小，分母变小,分子也变小，但是分母变化的更剧烈，所以精度变大。在公式
在逃犯信息检索系统中，更希望尽可能地少漏掉逃犯，此时，就要提高召回率（查全率），在分类时，尽量多的预测为+，就需要提高预测正类的比例，TP+FP 变大，TP变大，在公式中，分母变大，分子变大，但是分母变化的更剧烈，所以精度变小。
