准确率(Accuracy) VS 精确率(Precision) VS 召回率(Recall)
在信息检索中, 准确率通常用于评价结果的质量, 而召回率用来评价结果的完整性。
我们的目标是训练一个模型,它可以将这个二维空间中的新数据点分成红色和蓝色两类。
数据有两种状态：测试集数据和预测结果数据。对一批测试数据进行预测，结果可以分成四种。
TP(True Positive): 原本是正类，预测结果为正类。(正确预测为正类)
FP(False Positive): 原本是负类，预测结果为正类。(错误预测为正类)
TN(True Negative): 原本是负类，预测结果为负类。(正确预测为负类)
FN(False Negative): 原本是正类，预测结果为负类。(错误预测为负类)
准确率(Accuracy)
对于给定的测试数据集，分类器正确分类的样本数与样本总数之比，就称为准确率，即(TP+TN)/(TP+TN+FP+FN)
精确率(Precision)
在预测结果为正类的数据中，有多少数据被正确预测(原本就是正类)，即TP/(TP+FP)。
对应于检索中的查准率，检索出相关文档数/检索出的文档总数
精确率就是说 在所有预测数据中 的 预测成功率
召回率(Recall)
在测试集中为正类的数据中，有多少数据被正确预测(预测结果是正类)，即TP/(TP+FN)。
对应于检索中的查全率。检索出相关文档数/文档库中相关文档总数
召回率就是说在你所有样本数据
总结
理论上，数据预测的准确率 和 召回率越接近1，说明预测模型的效果越好。但是实际中也不一定，取决于场景更倾向于哪一种。例如我们去某搜索引擎搜索XX病，一共返回了10条结果，其中5条广告，5条有用的相关信息，那么准确率就是50%，而后台数据库中一共就5条有用的相关信息，召回率却是100%，所以大家就认为这个搜索引擎也能凑合用。
区别精确率和召回率主要记住他们是分母不同就好了，
召回率是对应测试集中的正类数据而言，
而准确率是对应预测结果为正类的数据而言。
