转知乎：
假设一共有10篇文章，里面4篇是你要找的。根据你某个算法，你认为其中有5篇是你要找的，但是实际上在这5篇里面，只有3篇是真正你要找的。
那么你的这个算法的precision是3/5=60%，也就是，你找的这5篇，有3篇是真正对的
这个算法的recall是3/4=75%，也就是，一共有用的这4篇里面，你找到了其中三篇。
请自行归纳总结
假设你的女票在过去10年（还没修成正果？）里，每年都会送一份生日礼物给你，有一天，她突然问你：“记得这十年里你生日我都送过什么吗？”这不是一个简单的问题，或者说这不是一个问题，这就是一颗雷为了续命，你随即对自己的大脑进行了地毯式搜索，这时，召回率（Recall）就等于你回答正确的礼物数和你女票在你生日时送你的礼物数的总和的比值：比如，你准确地回答出10件礼物，那么召回率就为：10/10即100%如果只准确地回忆起了7件，那么召回率（Recall）就是70%但是，你所有的回答中可能有错误回答，比如，你一共给出了15个答案，其中5个是错的，这证明，你虽然可以回答出所有礼物，但是却不那么精确，因此，精确率这个概念便出现了：精确率（Precision）就是10/15，约为67%对比一下
o
也就是说，尽管你给出了所有的答案，但是你总共回答了15次，虽然100%召回了，但是精确率只有66.67%，如果你回答了不止15次呢，如果是100次呢？（还是买彩票去吧）想一下女票气得要炸裂的表情吧，你命不久矣，也就说，精确率太低，就算召回率是100%，女票眼里，你也已经是dead meat了。算法也是一样，可以百分百召回的算法不一定是最优算法，因此，F1
Score就显得尤为重要，F1 Score就是精确率与召回率的调和平均数(Harmonic
mean)，这个有兴趣的童鞋可以去看看https://en.wikipedia.org/wiki/F1_score
ALL IN ALL:
