机器学习准确率召回率计算

机器学习模型的准确率和召回率是常用的评估指标之一。

准确率（precision）是指模型预测为正样本的样本中，实际为正样本的比例，即：

$$Precision = \frac{TP}{TP+FP}$$

其中，$TP$（True Positive）表示模型正确预测为正样本的数量，$FP$（False Positive）表示模型错误预测为正样本的数量。

召回率（recall）是指实际为正样本的样本中，被模型正确预测为正样本的比例，即：

$$Recall = \frac{TP}{TP+FN}$$

其中，$FN$（False Negative）表示模型错误预测为负样本的数量。

在实际应用中，准确率和召回率往往需要综合考虑。如果我们希望尽可能多地捕捉到真正的正样本，可以优先考虑召回率；如果我们关注的是预测的准确性，可以优先考虑准确率。常用的综合评价指标包括F1-score，它是准确率和召回率的调和平均数：

$$F1 = \frac{2 \times Precision \times Recall}{Precision+Recall}$$

F1-score越大，表示模型的综合表现越好。