二元分類模型的評估指標。精確率（precision）是預測為陽性者中實際為陽性的比例 TP ÷ (TP + FP)，召回率（recall）是實際為陽性者中被預測為陽性的比例 TP ÷ (TP + FN)。一般而言，改變判定的閾值時，一方上升另一方就會下降。兩者的調和平均 2PR ÷ (P + R) 稱為F1分數。
日文名稱: 適合率と再現率
「精確率與召回率（Precision and recall）」出現在1領域的4道練習題中（機器學習基礎等）。
這個名詞所屬的領域: 機器學習基礎
假設實際為陽性的資料有100筆，模型將40筆判為陽性，其中30筆真的是陽性。精確率為 30 ÷ 40 = 0.75，召回率為 30 ÷ 100 = 0.3。F1分數為 2 × 0.75 × 0.3 ÷ (0.75 + 0.3) ≈ 0.43，低於算術平均的約0.53。調和平均會被較小的值拉低，因此只有其中一方高的模型，在F1分數上不會得到高評價。
許多分類模型會以分數輸出像陽性的程度，並將超過閾值者判為陽性。提高閾值時，只有把握較高者才判為陽性，因此精確率容易上升，但漏判增加，召回率下降。降低閾值則相反。一邊移動閾值一邊畫出精確率與召回率關係的曲線稱為PR曲線，與畫出真陽性率與偽陽性率關係的ROC曲線一樣，用於比較模型。
在漏判會造成重大損失的疾病檢查或不良品偵測中，重視召回率。誤判為陽性的損失較大時，例如可能把重要郵件誤當成垃圾郵件隔離的垃圾郵件過濾器，則重視精確率。也可依目的使用對兩者加權的Fβ分數。在陽性極少的不平衡資料中，這些指標比準確率更能反映性能。
正確答案：C. 精確率0.90，召回率0.50
精確率（precision）是預測為陽性者中實際為陽性的比例，TP ÷ (TP + FP) = 45 ÷ 50 = 0.90。召回率（recall）是實際為陽性者中被預測為陽性的比例，TP ÷ (TP + FN) = 45 ÷ 90 = 0.50。這個模型判為陽性者幾乎都正確，但漏掉了一半的陽性。準確率為 (45 + 105) ÷ 200 = 0.75。
準確率是全部預測中預測正確的比例 (TP + TN) ÷ 全體。在陽性只占1%的資料中，只要全部預測為陰性，準確率就有99%，但召回率為0，可知完全沒有找出陽性。
不是。日常用語中兩者常被混用，但在分類中，準確率是所有預測中正確的比例，精確率是預測為陽性者中正確的比例。在量測領域，precision（精密度）又是另一個意思，指重複量測結果彼此一致的程度。
精確率（precision）是預測為陽性者中實際為陽性的比例，TP ÷ (TP + FP) = 45 ÷ 50 = 0.90。
以200筆測試資料評估某個二元分類模型，其混淆矩陣為真陽性（TP）45筆、偽陽性（FP）5筆、偽陰性（FN）45筆、真…首先，精確率為 20 ÷ (20 + 5) = 0.8，召回率為 20 ÷ (20 + 30) = 0.4。
以200筆測試資料評估某個二元分類模型，結果為TP 20筆、FP 5筆、FN 30筆、TN 145筆。F1分數最接近下…可用於比較決定閾值之前模型的區分能力，但在陽性極少的資料中，畫出精確率與召回率關係的PR曲線，有時更能看出差異。
下列關於評估二元分類模型所用之ROC曲線與AUC的敘述，何者適當？另一方面，因為連1筆陽性都找不到，召回率為0%，若目的是像偵測疾病或詐欺那樣找出陽性，就派不上用場。
對於1000筆中只有10筆陽性的資料，將全部預測為陰性之模型的準確率為何者？混淆矩陣（Confusion matrix） 調和平均數（Harmonic mean） 主成分分析（PCA） 正規化（Regularization） 交叉驗證（Cross-validation） 卷積神經網路（CNN） 非監督式學習（Unsupervised learning） 強化學習（Reinforcement learning） 啟動函數（Activation function） 梯度下降法（Gradient descent）