准确率(Precision)、召回率(Recall)、F值(F-Measure)的简要说明_recall低

      一般来说，precision是检索出来的条目（文档、网页）有多少是准确的；recall就是所有准确的条目有多少被检索出来了；

      不妨举这样一个例子：某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目的。撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。那么，这些指标分别如下：

      正确率 = 700 / (700 + 200 + 100) = 70%

      召回率 = 700 / 1400 = 50%

      F值 = 70% * 50% * 2 / (70% + 50%) = 58.3%

     不妨看看如果把池子里的所有的鲤鱼、虾和鳖都一网打尽，这些指标又有何变化：

      正确率 = 1400 / (1400 + 300 + 300) = 70%

      召回率 = 1400 / 1400 = 100%

      F值 = 70% * 100% * 2 / (70% + 100%) = 82.35%    

      由此可见，正确率是评估捕获的成果中目标成果所占的比例；召回率，就是从关注领域中，召回目标类别的比例；F值，综合这两者指标的评估指标，用于综合反映整体领域的指标。

==========

      我们总是希望检索结果precision越高越好，同时recall也越高越好，但事实上这两者在某些情况下有矛盾的。比如，极端情况下：

我们只搜索出了一个结果，且是准确的，那么precision就是100%，但是recall却很低；

如果我们把所有结果都返回，那么比如recall是100%，但是precision就会很低。

因此 ，在不同的场合中需要自己判断希望precision比较高或是recall比较高；

如果是做实验研究，可以绘制precision-recall曲线来帮助分析。

==========

综合评价指标（F-Measure）

      P和R指标有时候会出现的矛盾的情况，这样就需要综合考虑他们，最常见的方法就是F-Measure(又称为F-Score)。F-Measure是Precision和Recall加权调和评价；

F = (α²+1)P*R/(α²(P+R))

      当α=1时，就是最常见的F1，

F1=2*P*R/(P+R);

      可知，F1综合了P和R的结果，当F1较高时，则能说明试验方法，比较有效；