最近看论文实验时忘记了 “Recall” 这个评价指标是干什么用的，所有简单地回顾一下，用最简单方法加深一下记忆
首先得先回顾一下分类结果的混淆矩阵，忘记的朋友可以参考我这篇：分类结果的混淆矩阵
查准率（Precision）： P = T P T P + F P P=\frac{TP}{TP+FP} P=TP+FPTP 【正确的分类样本中的正例个数】与 【所有预测为正例的样本个数】之比，分子好理解，但是分母容易与查全率（Recall）中的分母混淆！所以要记住：查准率是对预测结果的一个评价指标，不要去考虑真实情况如何，分母就只包括预测的结果，即混淆矩阵的第一列上，所以分母就包括：被分类正确的正例（TP）和被分类错误的正例（FP）
查全率（Recall）： R = T P T P + F N R=\frac{TP}{TP+FN} R=TP+FNTP 【正确的分类样本中的正例个数】与 【真实正例的样本个数】之比，同样分子好理解，分布母则容易与查准率（Precision）中的分母混淆！所以要记住：查全率是模型从真实正例样本中揪出来的正例个数，全部注意力要集中在真实情况的正例上，即混淆矩阵的第一行上，所以分母就包括：被分类正确的正例（TP）和被分类错误的负例（FN）
需要注意的是：查准率（Precision）和查全率（Recall）一般不会保持同步高或低，数值变化趋势一般相反（西瓜中也指出：一般来说，查准率高，查全率往往偏低；而查全率高时，查准率往往偏低）
F1 度量： F 1 = 2 × P × R P + R = 2 × T P 样 例 总 数 + T P − T N F1=\frac{2\times P\times R}{P+R}=\frac{2\times TP}{样例总数+TP-TN} F1=P+R2×P×R=样例总数+TP−TN2×TP 有时，评价模型时更关注查准率（Precision），有时更关注查全率（Recall），F1 度量就是基于 查准率（Precision） 和 查全率（Recall） 的调和平均定义的，从而表达出对 P 和 R 的不同偏好。
