查准率（precision，也叫精确率）和查全率（recall，也叫召回率）

### 召回率 (Recall) 和 精确率 (Precision) #### Recall 召回率 的定义 召回率是指在所有实际为正类的样本中，被模型正确预测为正类的比例。其公式可以表示为： \[ \text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}} \] 其中： - TP 表示真正例（True Positive），即实际为正类且被预测为正类的数量； - FN 表示假负例（False Negative），即实际为正类但被预测为负类的数量。 召回率反映了模型对于正类样本的覆盖能力，越高说明漏检越少[^3]。 --- #### Precision 精确率 的定义 精确率是指在所有被模型预测为正类的样本中，实际为正类的比例。其公式可以表示为： \[ \text{Precision} = \frac{\text{TP}}{\text{TP} + \text{FP}} \] 其中： - FP 表示假正例（False Positive），即实际为负类但被预测为正类的数量。 精确率衡量的是模型预测正类的准确性，越高说明误报越少。 --- #### Recall 和 Precision 的区别 两者的计算方式不同，因此关注的重点也有所不同： - **Recall** 关注的是模型能够找到多少真正的正类样本，强调的是查全的能力。 - **Precision** 则更注重于模型预测为正类的结果中有多少是真实的正类，强调的是查准的能力。 两者之间存在权衡关系，在某些情况下提高其中一个可能会降低另一个[^1]。 --- #### Recall 和 Precision 的联系 为了综合考虑这两个指标，通常会引入 F1 值来平衡二者的关系。F1 值的公式如下： \[ \text{F1-Score} = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}} \] 这表明当精确率和召回率达到某种均衡状态时，F1 值才会较高。 --- #### PR 曲线的作用 PR 曲线通过绘制不同的决策阈值下 Precision 和 Recall 的变化情况，直观展示了模型在这两个维度上的表现。特别是在处理类别不平衡的数据集时，PR 曲线下方的面积（Area Under the Curve, AUC）被称为 AP 值（Average Precision），它能更好地反映模型的整体性能[^2]。 以下是绘制 PR 曲线的一个简单 Python 实现例子： ```python from sklearn.metrics import precision_recall_curve import matplotlib.pyplot as plt # y_true 是真实标签，y_scores 是模型输出的概率分数 precision, recall, thresholds = precision_recall_curve(y_true, y_scores) plt.figure() plt.plot(recall, precision, marker='.') plt.xlabel('Recall') plt.ylabel('Precision') plt.title('Precision-Recall Curve') plt.show() ``` ---