分类模型的精确率和召回率

分类模型的精确率和召回率是评估分类模型性能的两个重要指标。精确率是指预测为正样本的样本中真实为正样本的比例，而召回率是指真实为正样本的样本中被正确预测为正样本的比例。

简单来说，精确率衡量了模型预测为正样本的准确程度，即当模型预测为正样本时，有多少是正确的；召回率则衡量了模型对正样本的查全能力，即有多少真实的正样本被正确预测出来了。

具体计算公式如下：
精确率 = TP / (TP + FP)
召回率 = TP / (TP + FN)

其中，TP表示真正例（真实为正样本且被正确预测为正样本），FP表示假正例（真实为负样本但被错误预测为正样本），FN表示假负例（真实为正样本但被错误预测为负样本）。

精确率和召回率之间存在一个权衡关系，当我们希望模型对正样本的预测更准确时，可以提高阈值，从而增加模型的精确率；当我们希望模型对正样本的预测更全面时，可以降低阈值，从而提高模型的召回率。

总之，精确率和召回率是评估分类模型性能的重要指标，可以帮助我们全面了解模型的预测准确程度和查全能力。<span class="em">1</span><span class="em">2</span><span class="em">3</span>
#### 引用[.reference_title]
- *1* [机器学习学习记录【持续更新】——分类](https://download.csdn.net/download/weixin_38657835/14885360)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
- *2* *3* [机器学习：分类模型评估指标（准确率、精准率、召回率、F1、ROC曲线、AUC曲线）](https://blog.csdn.net/Vermont_/article/details/108625669)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"]
[ .reference_list ]