召回率召回率越高越好还是越低越好？

QQ超市的顾客召回率怎么算

召回顾客说明： 1>友友们等级达到15级后，可点击右下角“召回”图标进入召回界面。

2>每天由于超过顾客上限而被浪费掉的顾客，可以在第二天被召回了哦~ 3>每次顾客召回是按昨日损失顾客的百分比进行召回的，顾客召回的百分比由系统随机生成，也可消耗召回卡手动重置。

4>每天每个店铺只能进行1次召回操作。

5>召回系统每天00：00将会刷新重新计算，友友们每日要记得召回哦~~

召回率的常用名词

分类 混淆矩阵1

True Positive(真正, TP)：将正类预测为正类数.

True Negative(真负 , TN)：将负类预测为负类数.

False Positive(假正, FP)：将负类预测为正类数?→→?误报?(Type I error).

False Negative(假负 , FN)：将正类预测为负类数?→→?漏报?(Type II error). 精确率(precision)定义为： P=TPTP+FP(1)(1)P=TPTP+FP 需要注意的是精确率(precision)和准确率(uracy)是不一样的， ACC=TP+TNTP+TN+FP+FNACC=TP+TNTP+TN+FP+FN 在正负样本不平衡的情况下，准确率这个评价指标有很大的缺陷。

比如在互联网广告里面，点击的数量是很少的，一般只有千分之几，如果用，即使全部预测成负类（不点击） 也有 99% 以上，没有意义。

召回率(recall,sensitivity,true positive rate)定义为： R=TPTP+FN(2)(2)R=TPTP+FN 此外，还有?F1F1?值，是精确率和召回率的调和均值， 2F1F1=1P+1R=2TP2TP+FP+FN(3)2F1=1P+1R(3)F1=2TP2TP+FP+FN 精确率和准确率都高的情况下，F1F1?值也会高。

通俗版本 刚开始接触这两个概念的时候总搞混，时间一长就记不清了。

实际上非常简单，精确率是针对我们预测结果而言的，它表示的是预测为正的样本中有多少是对的。

那么预测为正就有两种可能了，一种就是把正类预测为正类(TP)，另一种就是把负类预测为正类(FP)。

而召回率是针对我们原来的样本而言的，它表示的是样本中的正例有多少被预测正确了。

那也有两种可能，一种是把原来的正类预测成正类(TP)，另一种就是把原来的正类预测为负类(FN)。

在信息检索领域，精确率和召回率又被称为查准率和查全率， 查准率查全率＝检索出的相关信息量检索出的信息总量＝检索出的相关信息量系统中的相关信息总量查准率＝检索出的相关信息量检索出的信息总量查全率＝检索出的相关信息量系统中的相关信息总量 ROC 曲线 我们先来看下维基百科的定义， In signal detection theory, a receiver operating characteristic (ROC), or simply ROC curve, is a graphical plot which illustrates the performance of a binary classifier system?as its discrimination threshold is varied. 比如在逻辑回归里面，我们会设一个阈值，大于这个值的为正类，小于这个值为负类。

如果我们减小这个阀值，那么更多的样本会被识别为正类。

这会提高正类的识别率，但同时也会使得更多的负类被错误识别为正类。

为了形象化这一变化，在此引入 ROC ，ROC 曲线可以用于评价一个分类器好坏。

ROC 关注两个指标， true positive rate:false positive rate:TPR=TPTP+FNFPR=FPFP+TNtrue positive rate:TPR=TPTP+FNfalse positive rate:FPR=FPFP+TN 直观上，TPR 代表能将正例分对的概率，FPR 代表将负例错分为正例的概率。

在 ROC 空间中，每个点的横坐标是 FPR，纵坐标是 TPR，这也就描绘了分类器在 TP（真正率）和 FP（假正率）间的 trade-off2。

AUC AUC（Area Under Curve）被定义为ROC曲线下的面积，显然这个面积的数值不会大于1。

The AUC value is equivalent to the probability that a randomly chosen positive example is ranked higher than a randomly chosen negative example. 翻译过来就是，随机挑选一个正样本以及一个负样本，分类器判定正样本的值高于负样本的概率就是 AUC 值。

简单说：AUC值越大的分类器，正确率越高3。

AUC=1AUC=1，完美分类器，采用这个预测模型时，不管设定什么阈值都能得出完美预测。

绝大多数预测的场合，不存在完美分类器。

0.5<AUC<10.5<AUC<1，优于随机猜测。

这个分类器（模型）妥善设定阈值的话，能有预测价值。

AUC=0.5AUC=0.5，跟随机猜测一样（例：丢铜板），模型没有预测价值。

AUC<0.5AUC<0.5，比随机猜测还差；但只要总是反预测而行，就优于随机猜测，因此不存在?AUC<0.5AUC<0.5?的情况。

既然已经这么多评价标准，为什么还要使用ROC和AUC呢？因为ROC曲线有个很好的特性：当测试集中的正负样本的分布变化的时候，ROC曲线能够保持不变。

在实际的数据集中经常会出现类不平衡（class imbalance）现象，即负样本比正样本多很多（或者相反） 回归4 平均绝对误差 平均绝对误差MAE（Mean Absolute Error）又被称为?l1l1?范数损失（l1-norm loss）： MAE(y,y^)=1nsamples∑i=1nsamples|yi?y^i|MAE(y,y^)=1nsamples∑i=1nsamples|yi?y^i| 平均平方误差 平均平方误差 MSE（Mean Squared Error）又被称为?l2l2?范数损失（l2-norm loss）： MSE(y,y^)=1nsamples∑i=1nsamples(yi?y^i)2MSE(y,y^)=1nsamples∑i=1nsamples(yi?y^i)2

召回率越高越好还是越低越好？

召回率（Recall），一般指查全率，指从数据库内检出的相关的信息量与总量的比率，是数据挖掘中预测、互联网中的搜索引擎等经常涉及的两个概念和指标之一。

在实际应用中，多数人更喜欢称召回率为召回率，因为更能体现其实质意义。

召回率绝对值很难计算，只能根据数据库内容、数量来估算。

“召回”在中文的意思是把xx调回来，指检索系统能“回忆”起那些事的多少细节，通俗来讲就是“回忆的能力”，“能回忆起来的细节数” 除以 “系统知道这件事的所有细节”，就是“记忆率”。

如果我们希望被检索到的内容越多越好，这是追求“召回率”，即A/(A+C)，越大越好。

查准率与召回率之间的关系 利用查准率和召回率指标，可以对每一次检索进行检索效率的评价，为检索的改进调整提供依据。

利用这两个量化指标，也可以对信息检索系统的性能水平进行评价。

为了综合查准率与查全率，我们引入了F1指标，这种方法是计算F1值（F1 Score），F1是精度和召回率的调和均值。

即： 这3个指标的取值都在0-1之间，越接近1越好，要评价信息检索系统的性能水平，就必须在一个检索系统中进行多次检索。

每进行一次检索，都计算其查准率和召回率，并以此作为坐标值，在平面坐标图上标示出来。

通过大量的检索，就可以得到检索系统的性能曲线。