2020-05-29 阅读量: 832
在解决分类问题时，经常会遇到样本不均衡的问题．分类模型更倾向于学习多数类样本的规律，而忽少数类的规律．因此，对于这类问题，仅参考准确率不能评价一个模型拟合的好坏程度的．从而提出了精确度（precision）和召回率（recall）．
其中，精确度指的是准确率是对给定数据集，分类正确样本个数和总样本数的比值。即：
即它关注多数类．
召回率指的是召回率又被称为查全率，用来说明分类器中判定为真的正例占总正例的比率，即：
即关注少数类．
以新冠病毒为例，如果少找出一个携带病毒的患者，造成的损失是十分巨大的；如果判错一个未患病的患者，损失是可以接受的．因此，对于类似这样的问题，需要重点关注少数类的问题时,则要重点提高召回率．根据精确度和召回率此消彼长的关系，如果需要找出更多的少数类，则需要提高召回率，如果需要找出更多的多数类，则需要提高精确度．因此，需要根据业务逻辑，在处理分类问题时,需要对精确度和召回率进行权衡．
