准确率和召回率的权衡‍⭐️

准确率和召回率是评估分类模型性能的两个重要指标。它们分别衡量了模型预测正确的比例：

1. **准确率** (Precision)：指真正例（True Positives, TP）占所有预测为正例（Positive Predictions, PP）的比例。高准确率表示模型预测为正的结果中有大部分是真的。

2. **召回率** (Recall)：又称查准率，是指真正例占所有实际正例（True Positives + False Negatives, TN + FN）的比例。高召回率意味着模型能找出大部分实际的正例。

在某些场景下，二者可能会存在权衡。例如，在处理不平衡数据集时，如果模型偏向于预测负例以降低误报（False Positives），那么召回率可能会下降，而准确率会上升；反之，提高召回率可能导致准确率下降，因为模型可能会更多地包含误报。因此，选择关注哪一个指标取决于任务需求：如果更看重找到所有的正例（如医疗诊断），则需要高召回率；如果更关心预测结果的准确性（如金融风险评估），则更注重精确度。在实践中，我们通常会结合这两个指标，并可能使用F1分数（ harmonic mean of precision and recall）来综合评估，它是一个平衡二者的单一值。