《Spark机器学习进阶实战》——3.3.2　准确率、召回率和F1值

3.3.2　准确率、召回率和F1值

准确率和召回率是广泛用于机器学习分类领域的两个度量值，用来评价结果的质量。

准确率（Precision，又称查准率）是针对预测结果而言的，它表示的是预测为正的样本中有多少是真正的正样本。

召回率（Recall，又称查全率）是针对样本而言的，它表示的是样本中的正例有多少被预测正确了，在不平衡分类问题中使用较多。

借助上面的定义，准确率（P）和召回率（R）可以表示为：

在实际应用中，准确率高时，召回率往往偏低，而召回率高时，准确率往往不能令人满意。因此在综合比较两个分类器的时候，经常采用的评估指标是F1值。F1值是准确率和召回率的调和平均值，计算公式如下。可以看出，F1值更接近于准确率和召回率中较小的值。

不同的分类场景对准确率和召回率的重视程度有所不同。例如在新闻推荐中，为了不影响用户体验，给用户推荐的新闻尽量要是用户感兴趣的，该情况下准确率比召回率更加重要。而在欺诈预测中，需要尽量覆盖所有欺诈行为，该情况下召回率更为重要。F1值的一般形式Fβ则可以根据分类场景需要来实现对准确率或召回率的权衡。Fβ的计算方法如下：

当β<1时召回率更为重要，β=1时Fβ就是前面所讲述的F1值，而β>1时准确率更为重要。