P-R曲線

https://blog.csdn.net/u014203453/article/details/77598997

• 信息檢索中，我們經常會關係“檢索出的信息有多少比例是用戶感興趣的”以及“用戶感興趣的信息中有多少被檢索出來了”，用精度和錯誤率就描述出來了，這就需要引入準確率（precision，亦稱查準率）和召回率（recall，亦稱查全率）。
  

準確率

預測結果中，究竟有多少是真的正？（找出來的對的比例）
$P=\frac{TP}{TP+FP}$

召回率

所有正樣本中，你究竟預測對了多少？（找回來了幾個）
$R=\frac{TP}{TP+FN}$

• 一般來說，我們希望上述兩個指標都是越高越好，然而沒有這麼好的事情，準確率和召回率是一對矛盾的度量，一個高時另一個就會偏低.
• 當我們根據學習器的預測結果對樣例進行排序（排在前面的是學習器認爲“最可能”是正例的樣本），然後按此順序依次吧樣本餵給學習器，我們把每次的準確率和召回率描出來就會得到一個P-R曲線（稱爲P-R圖）
  
• 如果一個學習器的P-R被另一個學習器的該曲線包圍，則可以斷言後面的要好些。
• 平衡點（Break-Even Point, BEP）
  就是找一個 準確率 = 召回率 的值，就像上面的圖那樣。