斯坦福大学公开课机器学习：machine learning system design | trading off precision and recall（F score公式的提出：学习算法中如何平衡（取舍）查准率和召回率的数值）

一般来说，召回率和查准率的关系如下：1、如果需要很高的置信度的话，查准率会很高，相应的召回率很低；2、如果需要避免假阴性的话，召回率会很高，查准率会很低。下图右边显示的是召回率和查准率在一个学习算法中的关系。值得注意的是，没有一个学习算法是能同时保证高查准率和召回率的，要高查准率还是高召回率，取决于自己的需求。此外，查准率和召回率之间的关系曲线可以是多样性，不一定是图示的形状。

如何取舍查准率和召回率数值：

一开始提出来的算法有取查准率和召回率的平均值，如下面的公式average=（P+R）/2。显然，在给出的三个算法当中，算法3的平均值是最高的，然而通过查准率（0.02）和召回率（1.0）可以看出这并不是一个很好的模型。因此，取平均值这个评估模式是不可取的。

如果采用F score算法来同时评估查准率和召回率，则是比较有用的算法。分子的PR决定了查准率（P）和召回率（R）必须同时比较大，才能保证F score数值比较大。假如查准率或者召回率很低，接近于0，直接导致的后果PR值非常低，趋近于0，也就是F score也很低。

此时再比较三个算法，可发现算法1是最优的，同时我们观察到算法3在这个公式中F score值是最低的。很好的说明了算法3不是一个很好的模型（查准率太低）。说明F score是一个很好的同时评估查准率和召回率的公式。