为什么我们需要Precision(准确率)和Recall(召回率)？
首先我们仅仅只看loss的话，会出现什么问题。
举个例子：比如对于一个二分类的模型，我们通过训练得到最终loss仅为5%，也就是准确率达到了95%，这很明显我们认为这是一个比较优秀的模型。
但是，如果我们的训练数据，仅有3%的数据对应标签为0，也就是负样本，其余均为正样本，对应标签为1.
这样会发生什么？如果我们的网络只能输出1，无论输入是什么，都只能输出1，这样的模型的准确率为97%，那么这样的模型是更好的模型么？显然不是。
所以，这时候就需要用到precision和recall了
precision和reall
precision= TP / (TP + FP)
recall= TP / (TP + FN)
很多人疑惑，这两个公式到底是什么意思？
precision即为预测为正确的数据中，真实值为正确的比例，而recall即为在所有的真实值为正确的数据中，有多少能预测正确。
很难理解，那我举一个癌症的例子，现在有一批人，其中有一些人得了癌症，一些人没有得癌症。
对于precision来说，我只有有很大的把握得时候，我才会说你得癌症，意思是，只要我说你得癌症，你基本上就是得了癌症。
对于recll来说，在这一批人当中，我基本能找到所有得癌症的人，意思是，得癌症的人一定在我说得癌症的人当中。
具体一点，现在有300个人，100个得癌症，我现在预测出只有10个人得癌症，那我的precision一定非常高，如果我现在预测出300个人得癌症，那我的recall一定非常高。
但是两者都不是我们想要的，所以我们需要权衡两者，才能找到最优秀得网络模型
对recall和precision仍有疑问，可继续在评论区留言
如果错误，欢迎大家及时指正！！！
文章出处登录后可见！
