首先，我们来探讨一下它们的定义。精确率，如同它的名字所示，衡量的是模型预测为正类的样本中，实际为正类的比例。它用 TP（真正例，即正确预测为正）的数量除以 TP 和 FP（假正例，误将负类预测为正）的总和，精确率就像查准率，关注的是预测结果的准确性。
相反，召回率关注的是模型识别出所有实际正类的能力。它衡量的是 TP（真正例）占实际正类总数的比例。换句话说，召回率就是查全率，着重于找到所有正样本的能力。
以一个简单的例子来说明：假设我们有一个包含60个正样本和40个负样本的数据集，模型预测出50个样本，其中40个是正类，但有20个正样本被误判为负。通过计算，我们得知准确率为 70%（TP+TN/总样本数），精确率为 80%（TP/(TP+FP)），而召回率为 2/3（TP/(TP+FN)），这意味着模型在识别正类时，有大约67%的样本被正确找出。
除了这些基础指标，我们还有 ROC 曲线（接收者操作特性曲线）和 PR 曲线（精确率-召回率曲线），它们提供了更全面的性能评估，尤其是当数据不平衡时，AUC（曲线下面积）则作为综合评价的基准。这些曲线和指标可以帮助我们更深入地理解模型的性能表现。
