机器学习中的Accuracy和Precision的区别
准确率(Accuracy)、精确率(Precision)和召回率(Recall)的区别
数量
对于一个二分类问题，我们定义如下指标：
：True Positive，即正确预测出的正样本个数
：False Positive，即错误预测出的正样本个数（本来是负样本，被我们预测成了正样本）
：True Negative，即正确预测出的负样本个数
：False Negative，即错误预测出的负样本个数（本来是正样本，被我们预测成了负样本）
指标
-
准确率(Accuracy) ＝ (TP + TN) / 总样本 ＝(40 + 10)/100 = 50%。 定义是: 对于给定的测试数据集，分类器正确分类的样本数与总样本数之比。
True/Total -
精确率(Precision) ＝ TP / (TP + FP) = 40/60 = 66.67%。它表示：预测为正的样本中有多少是真正的正样本，它是针对我们预测结果而言的。Precision又称为查准率。
TP/P （要选择一种类别为研究对象，如男生、如某一个类；40/(40+20)。 精确率很高，召回率很低举例：在数据集70个男生里，预测了一个男生，其他69全预测为女生【圈内左1右0】：1/1=100%） -
召回率(Recall) ＝ TP / (TP + FN) = 40/70 = 57.14% 。它表示：样本中的正例有多少被预测正确了， 它是针对我们原来的样本而言的。Recall又称为查全率。
TP/ (TP+FN)，选择一类为研究对象，男生：预测准确的40/groundtruth下该类总数70。
T都代表预测是否 对， PN都代表预测的结果。
