统计中的精度和召回率的解释

召回率(Recall Rate,也叫查全率)是检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率；精度是检索出的相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率。

召回率(Recall)和精度(Precise)是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。

基本概念

编辑

对于数据测试结果有下面4种情况：

TP: 预测为正，实际为正

TN: 预测为负，实际为负

FP:预测为正，实际为负

FN: 预测为负，实际为正

准确率： TP/ (TP+FP)

召回率： TP/ (TP+FN)

 

 

计算方法

编辑

召回率和精度示意图

recall

假定：从一个大规模数据集合中检索文档时，可把文档分成四组：

- 系统检索到的相关文档（A）

- 系统检索到的不相关文档（B）

- 相关但是系统没有检索到的文档（C）

- 不相关且没有被系统检索到的文档（D）

则：

- 召回率R：用实际检索到相关文档数作为分子，所有相关文档总数作为分母，即R = A / ( A + C )

- 精度P：用实际检索到相关文档数作为分子，所有检索到的文档总数作为分母，即P = A / ( A + B )

举例来说：

一个数据库有500个文档，其中有50个文档符合定义。系统检索到75个文档，但是实际只有45个符合定义。则：

召回率R=45/50=90%

精度P=45/75=60%

本例中，系统检索是比较有效的，召回率为90%。但是结果有很大的噪音，有近一半的检索结果是不相关。 研究表明：在不牺牲精度的情况下，获得一个高召回率是很困难的。

 

 

搜索系统

编辑

对于一个检索系统来讲，召回率和精度不可能两全其美：召回率高时，精度低，精度高时，召回率低。所以常用11种召回率下11种精度的平均值来衡量一个检索系统的精度。我们也可以将这两个度量值融合成一个度量值，如F度量(F-measure）。对于搜索引擎系统来讲，因为没有一个搜索引擎[2]  系统能够搜集到所有的WEB网页，所以召回率很难计算。搜索引擎系统都非常关心精度。

影响一个搜索引擎系统的性能有很多因素，最主要的是信息检索模型，包括文档和查询的表示方法、评价文档和用户查询相关性的匹配策略、查询结果的排序方法和用户进行相关度反馈的机制。

“召回率”与“准确率”虽然没有必然的关系，然而在大规模数据集合中，这两个指标却是相互制约的。

由于“检索策略”并不完美，希望更多相关的文档被检索到时，放宽“检索策略”，往往也会伴随出现一些不相关的结果，从而使准确率受到影响。

而希望去除检索[3]  结果中的不相关文档时，务必要将“检索策略”定的更加严格，这样也会使有一些相关的文档不再能被检索到，从而使召回率受到影响。

凡是设计到大规模数据集合的检索和选取，都涉及到“召回率”和“准确率”这两个指标。而由于两个指标相互制约，我们通常也会根据需要为“检索策略”选择一个合适的度，不能太严格也不能太松，寻求在召回率和准确率中间的一个平衡点，这个平衡点由具体需求决定。

 

常用名词

编辑

TP —— True Positive （真正, TP）被模型预测为正的正样本；可以称作判断为真的正确率

TN —— True Negative（真负 , TN）被模型预测为负的负样本 ；可以称作判断为假的正确率

FP ——False Positive （假正, FP）被模型预测为正的负样本；可以称作误报率

FN——False Negative（假负 , FN）被模型预测为负的正样本；可以称作漏报率

True Positive Rate（真正率 , TPR）或灵敏度（sensitivity） 
　　TPR = TP /（TP + FN） 
　　被预测为正的正样本结果数 / 正样本实际数

True Negative Rate（真负率 , TNR）或特指度（specificity） 
　　TNR = TN /（TN + FP） 
　　被预测为负的负样本结果数 / 负样本实际数

False Positive Rate （假正率, FPR） 
　　FPR = FP /（TN + FP） 
　　被预测为正的负样本结果数 /负样本实际数

False Negative Rate（假负率 , FNR） 
　　FNR = FN /（TP + FN） 
　　被预测为负的正样本结果数 / 正样本实际数