PR曲線與F值

PR曲線與ROC曲線都是評價一個機器學習算法的标準，那麼不同點在哪裡呢，首先我們還是看下面幾個值：

- TP(真正) 實際正

- FP(假正) 實際負

- TN(真負) 實際負

- FN(假負) 實際正

與ROC曲線不同的是，PR曲線用(Precision)準确率和(Recall)召回率分别作為橫縱坐标。

Precision = TP / (TP + FP)

Recall = TP / (TP + FN)

準确率就是說預測為正例的樣本裡面有多少真的是正例。

召回率就是說所有的正例裡面有多少被我們預測為正例了。

F值 = 1 / (1/Precision + 1/Recall)

如果我們要求按照優先級先提升Precision和Recall其中的一個，應該怎麼選呢。那麼在我從事的個性化推薦與使用者打交道的場景下，應該是提升Precision更好一些，畢竟Precison更高，ctr也會更高一些，使用者的感覺應該也是不太明顯的。