對于數(shù)據(jù)測試結果有下面4種情況：

TP: 預測為正，實際為正

FP: 預測為正，實際為負

TN:預測為負，實際為負

FN: 預測為負，實際為正

精確率、準確率：Accuracy=(TP+TN)/(TP+TN+FN+FP)

精準率、查準率： P = TP/ (TP+FP)

召回率、查全率： R = TP/ (TP+FN)

真正例率(同召回率、查全率)：TPR = TP/ (TP+FN)

假正例率：FPR =FP/ (FP+TN)

F1-score: 2*TP/(2*TP + FP + FN)

召回率和精度示意圖

假定：從一個大規(guī)模數(shù)據(jù)集合中檢索文檔時，可把文檔分成四組：

- 系統(tǒng)檢索到的相關文檔（A）

- 系統(tǒng)檢索到的不相關文檔（B）

- 相關但是系統(tǒng)沒有檢索到的文檔（C）

- 不相關且沒有被系統(tǒng)檢索到的文檔（D）

則：

- 召回率R：用實際檢索到相關文檔數(shù)作為分子，所有相關文檔總數(shù)作為分母，即R = A / ( A + C )

- 精度P：用實際檢索到相關文檔數(shù)作為分子，所有檢索到的文檔總數(shù)作為分母，即P = A / ( A + B )

舉例來說：

一個數(shù)據(jù)庫有500個文檔，其中有50個文檔符合定義。系統(tǒng)檢索到75個文檔，但是實際只有45個符合定義。則：

召回率R=45/50=90%

精度P=45/75=60%

本例中，系統(tǒng)檢索是比較有效的，召回率為90%。但是結果有很大的噪音，有近一半的檢索結果是不相關。 研究表明：在不犧牲精度的情況下，獲得一個高召回率是很困難的。 [1] 

對于一個檢索系統(tǒng)來講，召回率和精度不可能兩全其美：召回率高時，精度低，精度高時，召回率低。所以常用11種召回率下11種精度的平均值來衡量一個檢索系統(tǒng)的精度。我們也可以將這兩個度量值融合成一個度量值，如F度量(F-measure）。對于搜索引擎系統(tǒng)來講，因為沒有一個搜索引擎系統(tǒng)能夠搜集到所有的WEB網(wǎng)頁，所以召回率很難計算。搜索引擎系統(tǒng)都非常關心精度。

影響一個搜索引擎系統(tǒng)的性能有很多因素，最主要的是信息檢索模型，包括文檔和查詢的表示方法、評價文檔和用戶查詢相關性的匹配策略、查詢結果的排序方法和用戶進行相關度反饋的機制。

“召回率”與“準確率”雖然沒有必然的關系，然而在大規(guī)模數(shù)據(jù)集合中，這兩個指標卻是相互制約的。

由于“檢索策略”并不完善，希望更多相關的文檔被檢索到時，放寬“檢索策略”，往往也會伴隨出現(xiàn)一些不相關的結果，從而使準確率受到影響。

而希望去除檢索結果中的不相關文檔時，務必要將“檢索策略”定的更加嚴格，這樣也會使有一些相關的文檔不再能被檢索到，從而使召回率受到影響。

凡是設計到大規(guī)模數(shù)據(jù)集合的檢索和選取，都涉及到“召回率”和“準確率”這兩個指標。而由于兩個指標相互制約，我們通常也會根據(jù)需要為“檢索策略”選擇一個合適的度，不能太嚴格也不能太松，尋求在召回率和準確率中間的一個平衡點，這個平衡點由具體需求決定。 [2] 

TP —— True Positive （真正, TP）被模型預測為正的正樣本；可以稱作判斷為真的正確率

TN —— True Negative（真負 , TN）被模型預測為負的負樣本 ；可以稱作判斷為假的正確率

FP ——False Positive （假正, FP）被模型預測為正的負樣本；可以稱作誤報率

FN——False Negative（假負 , FN）被模型預測為負的正樣本；可以稱作漏報率

True Positive Rate（真正率 , TPR）或靈敏度（sensitivity） 
　　TPR = TP /（TP + FN） 
　　被預測為正的正樣本結果數(shù) / 正樣本實際數(shù)

True Negative Rate（真負率 , TNR）或特指度（specificity） 
　　TNR = TN /（TN + FP） 
　　被預測為負的負樣本結果數(shù) / 負樣本實際數(shù)

False Positive Rate （假正率, FPR） 
　　FPR = FP /（TN + FP） 
　　被預測為正的負樣本結果數(shù) /負樣本實際數(shù)

False Negative Rate（假負率 , FNR） 
　　FNR = FN /（TP + FN） 
　　被預測為負的正樣本結果數(shù) / 正樣本實際數(shù)