精确率#

术语解释#

精确率（Precision），也称为查准率，是机器学习、深度学习分类任务中用于评估模型预测结果“准不准”的核心指标，其核心思想是指模型预测为正样本的序列中，真正为正样本的比，其计算公式为

其中 TP（True Positives）表示将正样本预测为正样本的数量，FP（False Positives）表示将负样本预测为正样本的数量

精确率衡量的是模型发现正样本相关性的能力。例如，在搜索引擎检索中，精确率代表返回的搜索结果中有多少是用户真正需要的相关页面。

更多关于精确率的来龙去脉，可参见 「3.9 分类模型评估指标：准确率、召回率与F-score」 内容。

出现动机#

准确率在处理样本不均衡的任务时会产生严重误导。例如在癌症诊断模型中，如果 10 万人中只有 200 个患者，模型即使简单地预测所有人都是健康的，准确率也高达 99.8%，但这种模型对医疗决策毫无意义。

优点缺点#

• 优点：

  • 衡量相关性质量：能够有效解决准确率在处理样本不均衡的任务时会产生严重误导。

  • 提供置信度参考：高精确率意味着模型在判定为正类时非常谨慎，有助于在对错误预测敏感的场景中降低误报风险。

• 缺点：

  • 无法独立评估模型：精确率只能反映“准不准”，不能反映“全不全”。如果一个模型为了追求极高的精确率而只预测最有把握的一个样本为正类，虽然精确率可能是 100%，但它漏掉了绝大多数其它正样本 。

  • 与召回率（Recall）存在冲突：精确率与召回率之间通常存在此消彼长的制约关系。为了提高精确率，模型往往会变得更加保守，导致召回率下降；反之亦然 。

相关术语#

• 精确率

• 召回率

• 准确率

• 纯度