查准率是什么？模型说“是”的里面有多少真的是

查准率（Precision），也叫精确率或准确度，是评价分类模型和检索系统的一个重要指标。它衡量的是：在所有被模型判定为正例的样本中，有多大比例是真正的正例。换句话说，就是模型说“是”的那些里面，有多少说对了。

如何计算

在二分类问题中，模型的预测结果可以分为四种情况：真阳性，实际是正例、模型也判为正例；假阳性，实际是反例、模型却判为正例，也就是误报；真阴性，实际是反例、模型也判为反例；假阴性，实际是正例、模型却判为反例，也就是漏报。查准率等于真阳性的数量，除以真阳性与假阳性数量之和，也就是除以所有被判为正例的样本数量。

举个例子：一个垃圾邮件过滤器把 100 封邮件标记为垃圾邮件，其中 90 封确实是垃圾邮件，另外 10 封是被误判的正常邮件。那么它的查准率就是 90%。查准率越高，说明模型的判断越可靠，误报越少。

查准率与查全率

查准率通常与另一个指标一起出现：查全率，也叫召回率。查全率衡量的是：在所有真正的正例中，有多大比例被模型找了出来。它等于真阳性的数量，除以真阳性与假阴性数量之和。还是用垃圾邮件的例子：如果实际上一共有 150 封垃圾邮件，过滤器找出了其中的 90 封，查全率就是 60%。

这两个指标往往是相互矛盾的，此消彼长。大多数模型会给出一个分数或概率，再与一个阈值进行比较来做出判断。如果把阈值设得很高，只有非常有把握的才判为正例，查准率会很高，但会漏掉很多正例，查全率就低；如果把阈值设得很低，宽松地把很多样本都判为正例，能找出大部分正例，查全率高了，但其中会混入很多误判，查准率就低。打个比方，查准率关心的是“抓到的有多少是真坏人”，查全率关心的是“所有坏人中抓到了多少”。抓得越谨慎，冤枉的好人越少，但可能放走一些坏人；抓得越宽泛，漏网之鱼越少，但可能冤枉更多的好人。

根据场景来权衡

在不同的应用中，对两个指标的重视程度不同。更重视查准率的场景：垃圾邮件过滤，把一封重要的正常邮件误判为垃圾邮件、让用户错过，代价往往比放过几封垃圾邮件更大；推荐系统，向用户推荐的内容应该尽量都是他感兴趣的，推荐一堆不相关的内容会让用户反感；搜索引擎排在最前面的结果，应该尽量都是相关的。更重视查全率的场景：疾病筛查，宁可多一些误报，也要尽量不漏掉真正的病人；金融反欺诈和安全监控，漏掉一次真正的威胁可能代价巨大；法律文书检索中，需要尽量找全所有相关的案例。

综合的评价方法

P-R 曲线：以查全率为横轴、查准率为纵轴，画出模型在不同阈值下的表现，曲线越靠近右上角，模型越好。曲线下的面积，也就是平均精度（AP），是目标检测和信息检索中常用的指标。F1 分数：查准率和查全率的调和平均，只有两者都高时，F1 分数才会高。如果更看重其中一个，可以使用 F-beta 分数调整两者的权重。在多分类的问题中，可以对每个类别分别计算查准率，再取平均。