月度归档： 2018 年 5 月

召回率和准确率就像你去赌场要同时带着“票子”和“运气” — David 9

在机器学习面试中，经常会问道“召回率”和“准确率”的区别 。 其实，就像你去赌场下注一样，如果你“票子”很多，可以把钱分摊在不同的赌注上，总有一个赌注会猜对，当你猜对了，就是一次“召回”了； 而“准确率”不关注你下多少注，好似你在赌场碰“运气”，下注越多，越能看出你今天的“运气”。

因此，你猜的次数越多自然有较大的召回，当然最好的情况是，你猜测很少次数就能召回所有。

计算召回率(Recall) 和 精确率(Precision) 时，人们一般会先搬出TP（True positive），TN（True negative），FP（False positive），FN（False negative ）的概念：

                     Condition: A        Not A

  Test says “A”      True positive   |   False positive
                     ----------------------------------
  Test says “Not A”  False negative  |    True negative

然后给出公式：

召回率 Recall = TP / (TP + FN)

准确率 Precision = TP / (TP + FP)

事实上，不用硬背公式。两者的抽样方式就很不同: 召回率的抽样是每次取同一标签中的一个样本，如果预测正确就计一分；准确率的抽样是每次取你已预测为同一类别的一个样本，如果预测正确就计一分。这里一个关键点是：召回率是从数据集的同一标签的样本抽样；而准确率是从已经预测为同一类别的样本抽样。召回率和准确率都可以只针对一个类别。 继续阅读David9的普及贴：机器视觉中的平均精度(AP), 平均精度均值(mAP), 召回率(Recall), 精确率(Precision), TP，TN，FP，FN