问：
机器学习中的“精确度和召回率”是什么？
A：有多种方法可以解释和定义机器学习中的“精确度和召回率”。 这两个原则在生成系统中在数学上很重要，在概念上也很重要，在涉及AI模仿人类思想的关键方式上都非常重要。 毕竟，人们在神经系统评估中也使用“精确和回忆”。
在IT中考虑精度和召回率的一种方法是将精度定义为相关项目和已检索项目在检索结果数量上的并集，而召回表示相关项目和已检索项目在相关结果总数上的并集。
解释它的另一种方法是，精度测量的是分类集中实际上是正确的阳性识别的部分，而回忆则表示正确识别的实际阳性的比例。
这两个指标通常在交互过程中相互影响。 专家使用一种在混淆矩阵中标记真阳性，假阳性，真阴性和假阴性的系统，以显示准确性和召回率。 更改分类阈值还可以更改精度和查全率方面的输出。
另一种说法是，召回率衡量的是正确结果的数量除以应返回的结果数，而精确度则是正确结果的数量除以应返回的所有结果数。 此定义很有用，因为您可以将召回率解释为系统可以“记住”的结果数，而可以将精度视为识别这些结果的功效或目标成功。 在这里，我们回到一般意义上的精确度和召回率：记忆项目的能力与正确记忆项目的能力。
真阳性，假阳性，真阴性和假阴性的技术分析在机器学习技术和评估中非常有用，以显示分类机制和机器学习技术如何工作。 通过以技术方式测量精度和召回率，专家不仅可以显示运行机器学习程序的结果，还可以开始解释该程序如何产生其结果-通过该程序通过哪些算法工作来评估机器中的数据集。具体的办法。
考虑到这一点，许多机器学习专业人员可能会在分析测试集，训练集或后续性能数据集的返回结果时谈论精度和召回率。 使用数组或矩阵将有助于对这些信息进行排序，并更透明地显示程序的工作方式以及将其带到表中的结果。
