Machine learning 准确度和召回率何时成反比？

我正在阅读机器学习中的精确性和召回率

问题1：精确性和召回率何时成反比？也就是说，什么时候会出现这样的情况：你可以提高你的准确度，但代价是降低召回率，反之亦然？各国：

通常，精确性和召回率之间存在反比关系， 在可能以降低成本增加一个的情况下 其他的。脑外科手术提供了一个明显的权衡例子

然而，我已经看到研究实验结果，精确性和召回率同时增加（例如，当您使用不同或更多的功能时）

在什么情况下，反向关系成立

---

问题2：我熟悉两个领域的精确性和召回概念：信息检索（如“从1毫米页面的语料库中返回100个最相关的页面”）和二元分类（如“将这100名患者中的每一位分类为是否患有疾病”）。精度和召回率在这两个或其中一个字段中是反向相关的吗？

只有当系统中有一些参数时，反向关系才成立，您可以改变这些参数以获得更多/更少的结果。还有一个简单的关系：降低阈值以获得更多结果，其中一些是TPs和FPs。事实上，这并不总是意味着准确率或召回率会同时上升和下降——真正的关系可以使用。同样，对于Q2，在这两项任务中，精确性和召回率不一定是负相关的

---

那么，如何提高召回率或准确率，而不同时影响其他人呢？通常，通过改进算法或模型。也就是说，当你仅仅改变一个给定模型的参数时，逆关系通常成立，尽管你应该记住它通常也是非线性的。但是，例如，如果您向模型中添加更多描述性特征，您可以同时增加这两个指标。

关于第一个问题，我将这些概念解释为您的结果必须具有多大的限制性

如果你更严格，我的意思是，如果你对结果的正确性要求更高，你希望它更精确。因此，只要你得到的一切都是正确的，你可能愿意拒绝一些正确的结果。因此，您提高了精确度，降低了召回率。相反，如果你不介意得到一些不正确的结果，只要你得到了所有正确的结果，你就提高了回忆率，降低了精确度

关于与第二个问题有关的问题，如果我从上述各段的角度来看，我可以说是的，它们是反向相关的

---

据我所知，为了能够提高精确度和召回率，您需要更好的模型（更适合您的问题）或更好的数据（或者两者兼而有之）

维基百科的文章说，

通常情况下，存在一种相反的关系

。这意味着不总是

，
，只是经常
。您可能会将标题改为“精确性和回忆性何时成反比？”谢谢。我改了。非常感谢。您声明，如果可以限制返回的结果数量，则可能会出现反向关系。在Q2中，信息检索问题正好符合这一描述，但二元分类问题通常不符合，对吗？例如，对于任何给定的患者，您想要
疾病
或
无疾病
，或者对于任何给定的电子邮件，您想要
垃圾邮件
或
非垃圾邮件
。因此，对于某些分类任务，您将100%的测试数据进行分类，因此不存在反向关系。我说的对吗？不完全是限制，但根据某个阈值改变结果的数量——但基本上是对的。是的，关于你提到的二元分类问题，实际上，这里处理的是简单的准确度，也就是说，准确度和召回率是一样的。因为这两个指标的分母是相同的——要分类的案例总数。