为了获得更好的预测模型，分类报告中 Precision 或 Recall 哪个更重要
Which is given more importance Precision or Recall in classification report for obtaining a better prediction model
对于机器学习中的一个分类问题，在分类报告中，精度和召回率哪个更重要以获得更好的模型？
实际上取决于你的分类问题。
首先，你需要了解precision和recall的区别。
Wikipedia may be a good start, but I would suggest this resource by developers.google.
现在假设您正在尝试使用分类器跟踪新冠病例。
分类器告诉您患者是否携带 covid。
你更感兴趣的是：
A) 确定 所有 可能的 covid 病例？
B) 确定如果你确定一个 covid 案例实际上 一个真正的 covid 案例？
如果 A) 更重要，您应该关注 召回 。另一方面，如果您对 B) 更感兴趣，那么 precision 可能就是您要找的。
注意：
假设您正在测试 1000 个可能的案例，假设其中 500 个是阳性，我们只是还不知道。你使用分类器，它告诉你所有 1000 人都是积极的。
所以你有：
true_positives = 500
false_negatives = 0
recall = true_positives / (true_positives + false_negatives)
recall = 500 / (500 + 0) = 1
所以这里你回忆的很好，但是你不准确，也不准确。
我想表达的是，人们不应该只关注一个指标而不是另一个指标，而应该始终对问题保持广泛的看法。
但是，如果您只想关注一个指标来总结准确率和召回率，这就是 F score 的目的。
对于机器学习中的一个分类问题，在分类报告中，精度和召回率哪个更重要以获得更好的模型？
实际上取决于你的分类问题。
首先，你需要了解precision和recall的区别。 Wikipedia may be a good start, but I would suggest this resource by developers.google.
现在假设您正在尝试使用分类器跟踪新冠病例。 分类器告诉您患者是否携带 covid。
你更感兴趣的是：
A) 确定 所有 可能的 covid 病例？
B) 确定如果你确定一个 covid 案例实际上 一个真正的 covid 案例？
如果 A) 更重要，您应该关注 召回 。另一方面，如果您对 B) 更感兴趣，那么 precision 可能就是您要找的。
注意：
假设您正在测试 1000 个可能的案例，假设其中 500 个是阳性，我们只是还不知道。你使用分类器，它告诉你所有 1000 人都是积极的。
所以你有：
true_positives = 500
false_negatives = 0
recall = true_positives / (true_positives + false_negatives)
recall = 500 / (500 + 0) = 1
所以这里你回忆的很好，但是你不准确，也不准确。
我想表达的是，人们不应该只关注一个指标而不是另一个指标，而应该始终对问题保持广泛的看法。
但是，如果您只想关注一个指标来总结准确率和召回率，这就是 F score 的目的。