再互联网广告的推荐系统和反作弊的实践中经常遇到准确率，召回率，F值几个东西，刚入行的时候，我经常搞混，直到后来我逐渐明白了。
举个列子！
我们用一个模型去判断一段时间的作弊流量，假设该段时间的流量是100个，作弊的是25个，没有作弊的是75个，假设这里正样本为没有作弊的流量。
然后我们用lstm模型去预测，结果是70个没有作弊的，但是经检查，我们把其中69个正样本预测为没有作弊，把1个负样本预测为没有作弊
那么再我这个列子里面p=69/70（被预测为正样本且真的是正样本的数量/被预测为正样本的数量）
那么R=69/75（样本中的正例有多少个被预测正确了）
F值
可能很多人就会问了，有了召回率和准去率这俩个评价指标后，不就非常好了，为什么要有F值这个评价量的存在呢？
按照高中政治老师所说的，存在即合理的说法，既然F值存在了，那么一定有它存在的必要性，哈哈哈哈！
我们在评价的时候，当然是希望检索结果Precision越高越好，同时Recall也越高越好，但事实上这两者在某些情况下有矛盾的。
比如在我这个例子里就是这样，为此为了对模型的效果做一个综合的评价，所以才有了F值
F=（2*P*R）/P+R
其实这个公式我是记不住的，更多的时候你只需要会看调参页面就行了。