前2篇文章，介绍了正确率(Accuracy)和精确率(Precision)的评估方法。其中指出了正确率(Accuracy)虽然简单直观，但在很多时候并不是一个真正正确的评估指标。

那么精确率(Precision)可能会有什么问题呢?我们还是看看它的计算公式:

$$Precision=\frac {真阳} {真阳+假阳}$$

如果“假阳=0”，那么精确率就是100%，这很好，但有什么问题呢?

举个例子：癌症检查数据样本有10000个，其中10个数据样本是有癌症，其它是无癌症。分类模型在无癌症数据中全都预测正确，在10个癌症数据中预测正确了1个，此时真阳=1，真阴=9990，假阳=0,假阴=9。根据精确率的计算公式：

$$Precision=\frac {1} {1+0}=100\%$$

显然，这是不合理的。

因为”精确率“并没有考虑到”假阴“的问题，即它只关心查出来的”癌症”有多少是”真癌症”，至于是癌症但没査出来的，认为不是“癌症的”即”假阴“它管不着。但是，我们癌症检查的时候，有癌症却查出来”不是癌症“，这是非常要命的。

所以考虑这种情况，那么就需要用到召回率(Recall)，其计算公式为：

$$Recall =\frac {真阳} {真阳+假阴}$$

上面癌症例子中，召回率的值为：

$$Recall = \frac {1} {1+9}=10\%$$

即从召回率数值看，这个分类模型是不好的。

还是上面的例子：假设分类模型在无癌症数据9990中预测正确了9980个，在10个癌症数据中预测正确了10个。此时真阳=10，真阴=9980，假阳=10，假阴=0。则其精确度为10/(10+10)=50%，而召回率为10/(10+0)=100%。即精确度虽然不高，谎报了几个癌症，但是所有的真癌症都没有错过，这是非常重要的。

所以，各种分类评估指标各有优缺点，我们具体采用什么指标来评估分类模型，关键还是看我们的具体应用。如果是地震、癌症、欺诈交易等，我们宁愿有误报，但不能错过一个，这时就主要看召回率。如果是文档搜索，我们并不关心搜的全不全，搜出来的都是我们想要的信息就够了，那么就主要看精确率。

召回率(Recall)还有一个名称，叫查全率。但是注意，查全率这个名称主要用在信息检索领域.例如一个论文数据库，搜索”加器学习”相关论文，总共有100万篇论文，其中与机器学习相关的论文有2万篇，搜出来的文档数量为1万篇，其中真正与”机器学习”相关的文档数量为9000篇，那么查全率就是9000/(9000+（20000-9000）)=45%