Machine learning 为了获得更好的预测模型，在分类报告中，哪一个被赋予了更重要的精确度或召回率

对于机器学习中的一个分类问题，在分类报告的精度和召回率方面，哪一个更重要以获得更好的模型？

这实际上取决于您的分类问题

首先，你需要理解精确性和召回率之间的区别。 也许这是个好的开始，但我建议

---

现在想象一下，你正试图用分类器追踪新冠病毒病例。 分类器会告诉您患者是否携带了新冠病毒

您是否对以下方面更感兴趣：

A）识别所有可能的新冠病毒病例

B）确定如果你发现了一个新冠病毒病例，那它实际上就是一个真正的新冠病毒病例

如果A）更重要，你应该专注于回忆。另一方面，如果你对B）更感兴趣，那么精度可能就是你想要的

请注意：

---

假设您正在测试

1000个

可能的案例，假设

500个

都是阳性，我们只是还不知道。您使用分类器，它会告诉您所有

1000

人都是积极的

所以你有：

true\u正数

=

500

假阴性

=

0

recall=真阳性/（真阳性+假阴性）

recall=500/（500+0）=1

所以这里你有一个很好的回忆，但你不精确，也不准确

---

我想表达的是，一个人不应该关注一个指标而不是另一个指标，而应该始终保持对问题的广泛看法

---

然而，如果你只想关注一个指标来总结精确性和召回率，这就是这个问题的目的。

我投票结束这个问题，因为它不是关于中定义的编程，而是关于ML理论和/或方法-请参阅

机器学习

中的介绍和说明。这个问题与

python

无关，请不要垃圾发送不相关的标记（已删除）@desertnaut如果标签是问题，请让我知道什么是正确的标签，以便我可以正确地标记它们。就像我说的，我是新来的，正在努力学习。因此，非常感谢您的帮助。@desertnaut我已将标签更新为分类，希望您能对该问题进行投票。请注意，问题始终是问题本身，而不是标签。感谢您的解释。事实上，我在采访中被问到这个问题，无法回答。我试着用谷歌搜索答案，但对我来说还不够清楚