最近在复习机器学习，正好整理一下笔记，我看博客很多都参差不齐，这里我参考了很多博客，并且加上自己的思路整理了一下这几个小知识点。并附上我认为比较完整且帮助较大的博客链接。
我先简单的梳理一下（如果你懒到不想看下面笔记的话）：
定义什么的我不想再提了，网上都是一大把。
记住并且区分他们最好的方式就是理解他们含义（也就是针对什么去讨论的）。
- 精度（Accuracy）和错误率（Error rate）：都是针对于模型去讨论的，是从 整体角度 出发的，因此他们的分母自然就是整体的样本集合。
- 准确率（Precision）：直接记为 查准率 比较直观。针对于 预测结果 而言的，因此它的分母是所有预测为正的样本数。
- 召回率（Recall）：直接记为 查全率 比较直观。针对于 原始样本 而言的，因此它的分母都是原始样本中为正的样本数。
另外，理解 为什么一般情况下，查准率和查全率不能同时提高，其实也很简单。
俗话说，不会说话就少说话。
- 不会说话就是指说的不对（也就是预测错误）。
- 既然说多错多，那我就保持我的高冷的姿态，少说话（这个过程就是提高阈值，从而保证模型预测出的正例都是真实的正例）。
- 于是，我说的话基本上都是正确的，但同时我的话变少了。（话变少了，导致有些话本来是正确的，但不敢说）
这个过程就是 提高 Precision 而导致 Recall 降低的过程，你也可以反过来，得到的就是提高 Recall 而导致 Precision 降低的过程。
这里感谢一位大佬的博客，很详细，很有价值。
链接： https://blog.csdn.net/program_developer/article/details/79937291
