准确率(Accuracy)，精确率(Precision)和召回率(Recall)
首先区分下准确率(Accuracy)和精确率(又叫精度，Precision)的概念，如下是wiki给出的解释，文中的ISO就是国际标准化组织。
Precision is a description of random errors, a measure of statistical variability.
Accuracy has two definitions:
- More commonly, it is a description of systematic errors, a measure of statistical bias; as these cause a difference between a result and a "true" value, ISO calls this trueness.
- Alternatively, ISO defines accuracy as describing a combination of both types of observational error above (random and systematic), so high accuracy requires both high precision and high trueness.
对上述的理解，简言之，是对于一组重复测量的数据，若测量值接近，则测量值被认为是精确的；若测量值的平均值接近数据的真实值，则测量值被认为是准确的。所以这两个概念是独立的，同一组数据既可以可以被认为是准确的或精确的，或者两者都满足，或者都不满足。
《统计学习方法》中指出，分类准确率(Accuracy)的定义：对于给定的测试数据集，分类器正确分类的样本数与总样本数比。对于二分类问题，常用的评价指标是精确率(Precision)和召回率(Recall)。后文也将以二分类为例介绍精确率和召回率的计算公式。
首先展示下两个概念的理解图例。
对于二分类而言，正类是关注的类别，负类是其他类别。分类器对于测试数据集预测的正确与否分为四种情况，进一步得到精确率和召回率的计算公式。
|
TP—将正类预测为正类的样本数 (真的正类) |
FP—将负类预测为正类的样本数 (假的正类) |
|
FN—将正类预测为负类的样本数 (假的负类) |
TN—将负类预测为负类的样本数 (真的负类) |
上表顺序对应信息检索、分类、识别、翻译等领域关于召回率(查全率)和准确率(查准率)的图例。
参考文献：
- https://en.wikipedia.org/wiki/Accuracy_and_precision
- 李航 《统计学习方法》