• 先看一个经典的例子：

目的：设计一个分类器类分类患者的肿瘤是不是良性的

数据集：我们有10000个样本，其中9995个是良性的，只有5个人是恶性的。

如果我们只关注预测的错误率的，我们可以设计模型无论什么样本输入，全部输出良性。此时的准确率是99.95%，是不是很满意呢？但这种模型根本没有用。所以说对于数据的类别存在偏析的情况，不能只看错误率。

因此出现了查准率和查全率。

• 查准率与查全率

1. 正确肯定（True Positive,TP）：预测为真，实际为真 
2. 正确否定（True Negative,TN）：预测为假，实际为假 
3. 错误肯定（False Positive,FP）：预测为真，实际为假 
4. 错误否定（False Negative,FN）：预测为假，实际为真  

查准率Precision（也叫准确率）表示 你预测为正的样本中(TP+FP)有多少是真正的正样本(TP)（因为还有一些你错误的预测为正样本(FP）

查全率(Recall)，又叫召回率，缩写表示用R。查全率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确。

例如，我们建的全预测为良性的模型，恶性肿瘤的样本一个都没有被预测出来，因此查全率为零         

                                 。

查准率和查全率是一对矛盾的度量。一般来说，查准率高时，查全率往往偏低；而查全率高时，查准率往往偏低。很难获得查准率和查全率都很高的算法。为什么会有这样的情况呢？

举个栗子：

有一车西瓜，其中有好瓜和坏瓜。如果你想获得查准率很高，那你完全可以挑那些最有把握的好瓜，分数会很高甚至获得100%。但同时另外那些好瓜被挑出来的就少了，因此查全率也就降低了。你挑出的好瓜数量就是一个阈值，你降低阀值，你不止挑最有把握的，模棱两可的也挑了，因此Recall提高，Precision降低。反之，提高阀值，Precision提高，Recall降低。

• P-R曲线 ...
• ROC与AUC ...