$$
\bigstar \bigstar | \bigstar | \bigstar \bigstar \bigstar \bigstar \bigstar \bigstar
$$
召回率的通俗解释就是“在样本的正例里面，有多少正例被正确预测了”，它度量的是模型的“查全比例”，因此也叫“查全率”。根据公式，模型一的召回率是 $1 0 0 / ( 1 0 0 + 5 0 ) \approx 6 6 . 7 \%$ ，而模型二的召回率为 0，看来在我们的讨论场景里，召回率是最佳的衡量指标。
我们还需要注意到，类似于偏差和方差的关系，精确率和召回率其实也是一对互相影响、需要权衡的指标，这点倒是比偏差和方差更容易理解：过分精确就难以全面，过分追求全面可能就容易损失精确性。理想情况下肯定希望模型能够做到两者都高，但是在模型性能固定的前提下，精确率高召回率就偏低，召回率高精确率就会偏低，所以偏向精确还是偏向全面，也是需要根据实际情况做出权衡的。
譬如，在做自然灾害预测时，就应该更注重召回率，我们宁愿发出 100 次警报，把 10 次真正发生的自然灾害都预报到了，也不要只发布 10 次警报，对了其中 8 次，漏掉了 2 次灾害。但是在给犯罪嫌疑人定罪的时候，我们就必须把精确率放在优先位置，必须坚持“疑罪从无”原则，查准优先于查全，不能错怪一个好人。
如果模型的这两个指标都偏低，那肯定就是有什么地方出问题了。当我们需要综合衡量精确率和召回率时，通常会以一个名为“ F1 分数”的新指标作为度量，“ F1 分数”并没有什么特殊含义，它就是精确率和召回率的调和平均值，如果模型的 F1 分数还不错的话，那说明它的精确率和召回率都不会过于难看。F1 分数的计算公式如下：
$$
\mathrm { F 1 } \not \gg \not \{ \not \exists \} \qquad \frac { 2 \times \not \mathrm { F } \not \equiv \not \equiv \not \equiv \ \times \not \exists \not \equiv \not \equiv } { \not \mathrm { F } \not \exists \not \equiv \not \equiv + \not \langle \not \exists \not \equiv \not \equiv } \ = \ \frac { 2 \mathrm { T P } } { \ 2 \mathrm { T P } \ : \ : \mathrm { F P } \ : \ : \mathrm { F N } }
$$
对于分类问题，主要度量指标就是以上介绍的这些，而对于回归问题，通常直接用误差（有多种误差的计算方式，如平均绝对误差、均方误差等）来衡量，这部分在之前介绍误差、偏差和方差的章节已经讲得比较详细了，这里不
232
第三部分 第三波高潮