精确率召回率等相关知识点经常出现在笔试题中，如果仅考查精确率召回率并不难理解记忆。但是有时结合ROC等知识点时，TP，NP，TN，FN，4个不易区分的符号及各种比率会对初学者的理解产生干扰，本文将几个知识点结合起来举例解释，希望能方便大家理解记忆。
当我们那一个已知结果的数据对算法进行测试时，不难发现算法对数据判断出现的错误。 当待处理数据简单分为正负两类时，显然 对于原数据来说，只有正负两种可能。对于判断结果来说，也是正负两种可能。 但是当我们站在”上帝”的角度上来看，原数据的正负，和判断结果的正负会把整个数据分成4份。 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
总结：两个词中，第二个词是预测结果（算法判断的）。2个词合在一起的是原数据事实。
例如：10个样本里，有6个正，4个负。（事实） 经过一个机器学习算法判断后，认为有7个正，3个负。（判断的）
假设： TP：被预测为正的7名样本里，本来就是正，又被预测为正的有5人。 TN：被预测为负的3名样本里，本来就是负，又被预测为负的有2人。 FP：被预测为正的7名样本里，本来就是负，又被预测为正的有2人。 FN：被预测为负的3名样本里，本来就是正，又被预测为负的有1人。
精确率Precision Rate： P=TP/(TP+FP) 召回率Recall Rate： R=TP/(TP+FN)
精确率体现的是算法查询的正确率，在被判断为正的所有样本中，判断正确（事实）的比率。R=5/（5+2），是结合了事实与判断的量。 召回率体现的是算法的“清剿”能力。分母中的TP和FN都是事实上为正的样本，而分子与精确率相同为TP。含义是在一群样本中，把所有该找出来的量悉数找到的能力。是只有事实的量。 举个直观的例子，当查到1000个地区可能有地震灾害，此时预测要重视精确率，还是召回率？这种情况是宁可多准备，也不能不准备等地震来了无所适从。也就是说，要把样本中所有的“阶级敌人”全部查出来，肯定是要保证召回率。 那么什么时候召回率最高（为1），就是把1000个地区全预测为地震，反正1000个样本里肯定把地震的地方包括全了。此时精确率的作用就看出来了。预测数为1000，其中TP为10，1%的精确率，也就是说没什么可参考性。
有些同学就问了，那我怎么衡量精确率和召回率相互之间的重要性呢?下面引入F1-score。
* 2∗P∗R/（P+R）=2/(1/P+1/R) * F1-score是P和R的调和平均数，那么也就容易理解，F1-score就是一个认为精确率和召回率同样重要的量。
那么，如果我要把召回率的重要性提高为原来的一倍该如何处理呢？此时引入
Fβ-score： （1+β2）∗(P∗R)/(β2∗P+R)=(1+β2)/(β2/R+1/P) 形式上看是一种加权的调和平均。因此， 当β等于2时，R的重要性比P大一倍。 当β等于0.5时，P的重要性比R大一倍。
如果只有这么几个公式记忆起来自然不难，可惜，接下来的ROC，PRC，AUC。又会引入一些其他的统计量。见下文。
