准确率和召回率
本来我开始以为准确率召回率这种东西不用记得太详细，用到的时候随手百度一下就行。但尝试搜了几篇文章评论区都有指正错误。正好手上有纸质书籍，遂决定码一码。
1.应用背景
在分类预测的机器学习任务中，样板实际类别数量可能是极不平衡的。例如，生产线上劣质产品识别，假如良品率有99%，而劣质产品只占1%。如果模型预测得到的良品率是80%，虽然纸面上的准确率很高，但是事实并非如此。
针对上述情况，准确率和召回率的定义就来了。
2.确切定义
混淆矩阵
| 预测为1 | 预测为0 | |
|---|---|---|
| 实际为1 | f11(TP) | f10(FN) |
| 实际为0 | f01(FP) | f00(TN) |
召回率recall：
[Recall = frac{TP}{TP+FN} ]
描述：$$召回率=frac{正样本预测正确数}{实际正样本数}$$
准确率 Accuracy：
[Accuracy = frac{TP+TN}{TP+TN+FP+FN} ]
描述：$$准确率=frac{预测正确数}{样本总数}$$
精度Precision：
[Precision = frac{TP}{TP+FP} ]
描述：$$查准率=frac{正样本预测正确数}{正样本预测数}$$
书本原文：
3.知识扩展
准确率和查准率是一种模型评价度量。除此外还有F1度量（精度和召回率的调和平均数）、Fβ、ROC曲线等。
解决数据集不平衡分类任务得方法有代价敏感学习，不充分抽样/过分抽样。