（Deep Learning）准确率和召回率的基础概念

算法模型极大的提升了对各类结果的预测效率。

【算法模型的本质】
算法模型的本质，是基于输入的各类变量因子，通过计算规则（模型or公式），得出预测结果。

典型的预测结果比如：

1.（通过历史行为&偏好预测）用户对某条信息点击的可能性

2.（通过历史行为&偏好预测）用户的自然人口属性如性别等

【如何判定模型的好坏】
准确率和召回率的评估，是验证算法模型好坏最常用的手段之一。

现在假设你和模型在玩问答游戏，每次拿一个样本，告诉他一些这个人的信息，让ta找出所有男生。

准确率=预测的准确量/召回量（找出量）。

比如：在所有样本中，模型预找出50人说他们都是男性，而找出的这波人里实际只有40人为男性，准确率=40/50=80%，用来衡量找出部分的准确度。

召回率=召回中的准确量/客观正确的量。

是拿真实的结果，和预测结果比对。比如：总共实际有60个男性，模型只找出了50个，那召回率=50/60=83.3%，用来衡量找出部分对实际真实部分的覆盖情况。

【准召判定，会有哪些情况？】

对预测结果的评估，于是就构成了以下四种集合。

如下图所示，刚才4种集合，图形摊开的话，就是这个样子的。

下图展示了模型过度保守的情况。

模型可以很保守，准确率达到了100%，但由于过度追求准确，漏掉了大量正确的结果。

下图表示过度召回。

召回率100%，确保了正确的集合都被召回，但由于召回了大量错误集合，所以准确率很低。

下图则表示理想情况——又多又准确！