机器学习评价标准，precision与recall通俗理解

recall与precision区别：

（1）recall，召回率又名查全率，与漏报率有关，（漏报率，FN，即错误的预测为负样本，换句话说，将实际为正的样本预测为负），详情参照混淆矩阵，如下。

	预测为正样本（positive，P）	预测为负样本（negative，N）
实际为正样本	TP	FN
实际为负样本	FP	TN

其中，T指预测正确（预测为正样本，实际也为正样本的情况），F指预测错误。

recall=TP/(TP+FN)，可理解为，实际为正的样本中，预测正确的样本的比例。应用于，医生预测病人癌症的情况，病人更关注的是是否漏报，漏报会导致病被忽略，延误治疗。通过记忆漏报率，可清晰理解recall的概念。

（2）precision，精准率又名查准率，与误报率有关，（误报率，FP，即错误的预测为正样本，换句话说，将实际为负的样本预测为正）。

precision=TP/(TP+FP)，可理解为，在预测为正的样本集合中，预测正确的样本的比例。应用于，以一个不太合适的例子来说，在诈骗活动中，相对诈骗团伙来说，是希望在预测为正（即为实施诈骗的对象）的样本中，实际真的是被忽悠就会被骗成功的样本。即诈骗人员更关注的是误报率，失误越少，诈骗成功率越高。

note：

另外，对准确率accuracy来说，样本预测分类正确的比例，accuracy=(TP+TN)/(P+N)