精度和召回率说明

精度和召回率是衡量机器学习模型性能的基本指标，对于这些训练模型来说，在尝试评估自己的模型性能之前了解它们非常重要。

那么，这些措施意味着什么？

精度是指所有预测中实际正确的比例。

召回率是指已识别的所有可能的真值所占的比例。

以下是一些实际示例，说明了精度和召回率的工作原理。

示例 1 – 场景 1

如果您拥有电子护照，则在抵达该国家/地区时，您可能会在边界管制处熟悉电子门 (e-gate)。他们安装了图像识别摄像头，旨在分析您的面容，并检查其是否与护照上的数字版本匹配。本质上，这是他们试图解决的分类问题，即此人是否是他们所说的那个人。

假设一个机场决定要实施这些电子门。但是，他们希望在公开使用这些摄像头之前，检查这些摄像头在匹配人脸和护照图像方面的效果如何。在此示例中，目标是使用仅识别（或预测）与护照上图像匹配的面容的相机。这些摄像头希望让尽可能多的人通过，但会捕获所有可能使用他人护照或图像不匹配的假护照的人。

精度

精度用于衡量摄像头在让正确的人员通过门方面的准确性。本质上，在它放行的所有人中，护照匹配的人所占比例。

在第一个测试中，您将吸引 100 人使用新相机。结果显示，摄像头允许 70 个人通过，拒绝 30 个人，然后这些人必须前往有人值守的传统办公桌前。

事实证明，在放行的 70 人中，实际上有 4 人不应该放行（我们事先已经知道他们的护照有误）。要计算精度，我们将执行以下操作：

精度 = 正确识别的人数 / 允许通过的总人数（正确和错误）= 66/(66+4) = 94%

召回

但这里有一个小问题。假设我们知道实际上总共有 95 人持有正确的护照，而其中只有 66 人被正确放行（如上所述），这意味着 29 人 (95-66) 人被错误地拒绝，不得不加入手动队列。我们怎样才能更好地正确识别所有应该允许通过的人?

这就是我们的另一个衡量标准“召回率”发挥作用的地方。 “召回率”衡量的是系统在摄像头本应识别为正确并允许通过的所有人中，选取了多少个人。在此示例中，我们知道在 95 名持有正确护照的人中，只有 66 人通过，因此可以通过以下方式计算召回率：

召回率 = 识别出的正确护照数量 / 拥有正确护照的总人数 = 66/95 = 69%

示例 1 - 场景 2

我们再举一个场景来说明精度和召回率可能会如何变化。我们使用相同的设置，但这次相机已经过训练，可以处理更广泛的图像，我们想测试这对相机的性能有多大改进。

就像场景 1 一样，这 100 个人再次通过护照检查门，我们知道其中 95 人的护照正确无误。

不过，这一次允许 85 个通过，其中 15 个被拒绝，无法转到有人值守的传统办公桌前。在这 85 人的放行机中，正确允许 82 人通过，3 人由于护照错误而不应通过。

此处的精度为 = 82/(82+3) = 96%

现在，我们来看看召回率受到的影响：

召回率 = 82/95 = 86%

在这种情况下，我们有类似的精度分数，但召回率有很大提高。这意味着，虽然我们的预测仍然准确（94％对 96％），但我们能够识别更多本应让某人通过的案例，因为他们拥有正确的护照（69％对 86％）。这表明与场景 1 相比，额外的训练显着提高了相机的召回率。

示例 2

另一个简单的示例显示了相同的度量在不同情况下的不同。

火警铃旨在检测何时发生火警。在某种程度上，他们必须预测何时发生火警，但有时他们也会出错并导致误报。在这种情况下，更重要的是要确保 100％都能检测到起火情况。我们可以接受奇数的误报，只要在发生火警时能够检测到火警即可。在此示例中，更高的召回率更为重要，因为要确保检测到每次起火！

假设一年中检测到 10 起失火，但其中只有 1 起是真实的。警报/探测器共 10 次预测起火，其中 1 次正确，9 次错误。在本例中，精度仅为 10% (1/10)，但召回率为 100% (1/1)。在所有已存在的火警中，火警警报器均检测到火警。因此，虽然精确度很差，并且存在很多误报，但召回率却很高，我们发现了一次着火的情况。