一、精确率、召回率、准确率

混淆矩阵

	Positive	Negative
True	True Positive(TP)	True Negative(TN)
False	False Positive(FP)	False Negative(FN)

True Positive（真正， TP）：将正类预测为正类数

True Negative（真负， TN）：将负类预测为负类数

False Positive（假正， FP）：将负类预测为正类数--误报（Type Ⅰ error）

Flase Negative（假负， FN）：将正类预测为负类数--漏报（Type Ⅱ error）

准确率：Accuracy

精确率：Precision

召回率：Recall

精确率和召回率的调和平均值：F1

由于 精确率 和 召回率 两个参数是此消彼长的， 很多时候使用参数来控制两个结果， 通过修改参数则能得出一个准确率 和 召回率的曲线（ROC），这条曲线与x轴， y轴围成的面积就是AUC（ROC Area）。AUC可以综合衡量一个预测模型的好坏， 这一个指标综合了precision和recall两个指标。

#机器学习 Micro-F1和Macro-F1详解_Troye Jcan的博客-CSDN博客_macro-f1

二、评测标准召回率Recall@K

推荐系统的Recall@K：

Recall@k = k个推荐中相关物品的个数 / 相关物品的总个数

top-k推荐：从最后按得分排序的推荐列表中返回前k个结果

precision准确率是检索出相关结果数与检索出结果总数的比率， 衡量的是检索系统的查准率

recall@k召回率是指前topK结果中检索出相关结果数与库中所有相关结果数的比率，衡量的是检索系统的查全率

图像检索的Recall@K:

对于单一查询图片， 在系统中搜索k个最近邻的图片， 倘若返回的k张图片中至少存在一张和查询图片同一类别， 该次查询的score记为1， 否则记为0。Recall@k是测试集中所有查询图片score的平均。

信息检索的Recall@K:

 P@n, 前n个结果的准确度， P指的是Precision， 用score=0，1分别表示第i个结果相关、不相关

在评测系统的P@n时，对每个查询的结果计算P@n， 取这些值的平均值作为系统的P@n。

信息检索中 (IR) 的评价指标: P@n, MAP, MRR, DCG, NDCG

三、信息检索(IR)的评价指标

P@n

前n个结果的准确度，P指的是Precision，如果用 分别表示第i个结果相关、不相关，则

在评测系统的P@n时， 对每个查询的结果计算P@n， 取这些值的平均值作为系统的P@n.

MRR

Mean Reciprocal Rank(MRR). 对每个查询, 记它第一个相关的结果排在位置， 即rank为, 则Reciprocal Rank(RR)得分计作, 对所有query的RR取平均值，即为MRR：

DCG和NDCG

Discounted Cumuulative Gain(DCG): Cumulative为将所有的结果累加起来， Discounted指给排在后面的结果加一个折扣系数， 排序位置越靠后，折扣系数越小

其中指每条结果的收益（Gain）， 指折扣系数，排序位置越靠后，折扣系数越小， 常用的是

四、长尾数据分布