在机器学习、推荐系统、信息检索、自然语言处理、多媒体视觉等领域，经常会用到准确率(precision)、召回率(recall)、F-measure、F1-score 来评价算法的准确性。

一、准确率和召回率(P&R)

以文本检索为例，先看下图

其中，黑框表示检索域，我们从中检索与目标文本相关性大的项。图中黄色部分(A+B)表示检索域中与目标文本先关性高的项，图中

A+C部分表示你的算法检索出的项。A、B、C的含义图中英文标出。

准确率：

召回率：

一般来说，准确率表示你的算法检索出来的有多少是正确的，召回率表示所有准确的条目中有多少被检索出来。

准确率和召回率的关系

通常，我们希望准确率和召回率均越高越好，但事实上这两者在某些情况下是矛盾的。比如我们只搜出了一个结果，此结果是正确的，求得precisin等于1。但是由于只搜出一个结果，recall值反而很低，接近于0。所以需要综合考量，下面介绍F-measure。

二、F-measure

F-measure又称F-score,其公式为：

当beta=1时，就是F1-score：

F-measure综合了precision和recall,其值越高，通常表示算法性能越好。

准确率和召回率(precision&recall)