1、两个最常用的测量指标是“准确率(precision )”(你得出的结果有多正确)和“召回率(recall )”(你得出的结果有多少)。
这两个通常是这个消除(trade off )，很难兼顾。 大多数情况下由参数控制，通过修改参数可以得到精度和召回率的曲线(ROC )。 此曲线和x和y轴之间的面积为AUC(ROC Area )。 AUC可以综合衡量综合了precision和recall两个指标的预测模型的好坏。
但是，AUC计算很麻烦，也有人用简单的F-score代替。 F-score计算方法很简单：
f-score=(2/(precisionrecall(/) precision recall ) ) ) ) )。
既不是算术的平均，也不是几何的平均。 可以理解为几何平均的平方除以算术平均。
例如，假设一个池塘里有1400条鲤鱼、300条虾和300条鳗鱼。 现在的目的是捕捞鲤鱼。 撒下大网，捕获了700条鲤鱼、200条虾、100条鳗鱼。 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%
如果把dfdcc的鲤鱼、虾、鳗鱼都撒网了，看看这些指标会有什么变化。
正确率=1400/(1400 ) 300 ) 300 )=70%
召回率=1400/1400=100%
f值=70 % * 100 % *2/(70 % 100 % )=82.35%
由此可知，正确率是通过评价获得的成果中目标成果所占的比例； 召回率，顾名思义，是从关注区域开始召回对象类别的比例； 另一方面，f值是综合了两者指标的评价指标，是综合反映整体的指标。
当然搜索结果的Precision越高越好，Recall也越高越好，但实际上两者在某些情况下存在矛盾。 例如在极端情况下，我们只能检索一个结果，如果准确的话，Precision是100%，但Recall很低。 如果返回所有结果，例如Recall为100%，但Precision较低。 因此，在某些情况下，需要自己判断是希望Precision高还是希望Recall高。 如果是实验研究，可以绘制Precision-Recall曲线帮助分析。