准确率召回率计算公式

markdown 上周我查了资料，关于准确率和召回率的计算公式是这样的：
- 准确率（Accuracy）: [ \text{Accuracy} = \frac{\text{TP} + \text{TN}}{\text{TP} + \text{TN} + \text{FP} + \text{FN}} ] 其中，TP是真正例（True Positive），TN是真正负例（True Negative），FP是假正例（False Positive），FN是假负例（False Negative）。
- 召回率（Recall）或灵敏度（Sensitivity）: [ \text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}} ]
简单来说，准确率是所有被正确分类的样本占总样本的比例，而召回率是所有正类样本中被正确识别的比例。
2023年，我那个朋友在做机器学习项目时，特别强调了这两个指标的重要性，他说对于不同的应用场景，这两个指标可能会更加关注一个。
一言以蔽之，准确率关注整体分类的质量，而召回率关注正类样本的识别程度。
每个人情况不同，如果你有具体的应用场景，可能还需要考虑其他指标。
我刚才想到另一件事，记得要区分混淆矩阵中的各种情况。

公式：准确率 = (TP / (TP + FP)) 100% 召回率 = (TP / (TP + FN)) 100% 解释： TP：真正例（True Positive），预测为正，实际也是正。 FP：假正例（False Positive），预测为正，实际是负。 FN：假反例（False Negative），预测为负，实际是正。
简单来说，准确率是预测正确的比例，召回率是所有实际正例中被预测为正的比例。

呃，嗯，准确率召回率这俩玩意儿，有点复杂，我来试试给你说透透。
准确率啊，它是用来衡量模型预测的正确率，啊，就是预测对的数量占总预测数量的比例。公式是这样的，，有点啰嗦，别急：
准确率 = (预测正确的数量) / (预测总数)
那召回率呢，它是用来衡量模型预测出来的结果中，有多少是被正确识别出来的，就是真正需要的数量占所有真实需要的数量的比例。这个公式嘛，也得念叨念叨：
召回率 = (预测正确的数量) / (真实需要的数量)
啊，这两个指标，有时候可能会冲突，一个高了，另一个可能就低了呢。记得啊，这俩公式，都是要求数量得是正数，别出现除以零的情况，那就尴尬了。
2022年，我在某个城市做数据分析，那时候有个项目，预测的总量有1000个，结果预测正确的有800个。，那个准确率就等于800除以1000，80%嘛。但是真实需要的数量有1200个，结果预测正确的只有800个，那召回率就等于800除以1200，大约是66.7%。
嗯，当时也懵，我后来才反应过来，啊，可能我偏激了，，这个模型，准确率高，召回率低，意思是有不少真的东西被我给漏掉了。