精确率与召回率

← ToolBox / 精确率与召回率

📖 查看「精确率与召回率使用指南」

🧮 Precision, Recall and F1 Calculator

Compute precision, recall and F1 from true positives, false positives and false negatives. Useful for threshold selection on imbalanced data.

📐 计算公式 / 原理

精确率 P = TP/(TP+FP)；召回率 R = TP/(TP+FN)；F1 = 2PR/(P+R)

P 与 R 天然此消彼长：放宽阈值召回升高但误报增多。F1 用调和平均综合两者，对较小的一方更敏感（接近 0 时 F1 也接近 0），适合作为单一权衡指标；若业务更看重漏检（如疾病筛查）应改用 F2 加权召回。

TP

FP

FN

📐 计算公式与说明

P = TP/(TP+FP)，R = TP/(TP+FN)，F1 = 2PR/(P+R)

精确率关注预测正确性，召回率关注覆盖度。

📚 深度解析：精确率与召回率

💡 常见使用场景

精确率 P=TP/(TP+FP) 衡量预测为正的纯度；召回 R=TP/(TP+FN) 衡量正类覆盖。
F1=2PR/(P+R) 调和平均，二者冲突时综合评估。
阈值升高→精确率升、召回降；按业务代价选平衡点(如反欺诈重召回)。

阈值权衡

某模型 TP=80,FP=20,FN=10。阈值低时 FP 多 P=80/100=80%、R=80/90=89%；抬高阈值 FP 降为 5 但 FN 升为 30 → P=80/85=94%、R=80/110=73%。

❓ 常见问题（FAQ）

什么时候更看重召回？: 漏检代价高时(癌症筛查、欺诈拦截)，宁肯多报假阳性也要少漏，优先高召回；再用人工或二次模型过滤假阳性。
PR 曲线和 ROC 曲线怎么选？: 类别不平衡时 PR 曲线更敏感、更贴切；ROC 在平衡数据下更稳。AUC-PR 对正类稀少场景更能反映性能。