摘要：
在信息检索和自然语言处理中经常会使用这些参数，下面简单介绍如下：准确率与召回率我们先看下面这张图来加深对概念的理解，然后再具体分析。如果是做实验研究，可以绘制Precision-Recall曲线来帮助分析。F-Measure是Precision和Recall加权调和平均：当参数a=1时，就是最常见的F1了：很容易理解，F1综合了P和R的结果，当F1较高时则比较说明实验方法比较理想。
在信息检索和自然语言处理中经常会使用这些参数，下面简单介绍如下：
准确率与召回率（Precision & Recall）
我们先看下面这张图来加深对概念的理解，然后再具体分析。其中，用P代表Precision，R代表Recall
一般来说，Precision 就是检索出来的条目中（比如：文档、网页等）有多少是准确的，Recall就是所有准确的条目有多少被检索出来了。
下面这张表介绍了True Positive，False Negative等常见的概念，P和R也往往和它们联系起来。
| Relevant | NonRelevant | |
| Retrieved | true positives （tp） | false positives（fp） |
| Not Retrieved | false negatives（fn） | true negatives （tn） |
那么，
我们当然希望检索的结果P越高越好，R也越高越好，但事实上这两者在某些情况下是矛盾的。比如极端情况下，我们只搜出了一个结果，且是准确的，那么P就是100%，但是R就很低（tp==1,fp==0,fn很大,tn==0）；而如果我们把所有结果都返回（全部都检索到了，不过检索到不相关的也有很多，即fp很大,fn==0），那么必然R是100%，但是P很低。
因此在不同的场合中需要自己判断希望P比较高还是R比较高。如果是做实验研究，可以绘制Precision-Recall曲线来帮助分析。
F1-Measure
前面已经讲了，P和R指标有的时候是矛盾的，那么有没有办法综合考虑他们呢？我想方法肯定是有很多的，最常见的方法应该就是F-Measure了，有些地方也叫做F-Score，其实都是一样的。
F-Measure是Precision和Recall加权调和平均：
当参数a=1时，就是最常见的F1了：
很容易理解，F1综合了P和R的结果，当F1较高时则比较说明实验方法比较理想。