在机器学习、推荐系统、信息检索、自然语言处理、多媒体视觉等领域，经常会用到准确率(precision)、召回率(recall)、F-measure、F1-score 来评价算法的准确性。
一、准确率和召回率(P&R)
以文本检索为例，先看下图
其中，黑框表示检索域，我们从中检索与目标文本相关性大的项。图中黄色部分(A+B)表示检索域中与目标文本先关性高的项，图中
A+C部分表示你的算法检索出的项。A、B、C的含义图中英文标出。
准确率：
召回率：
一般来说，准确率表示你的算法检索出来的有多少是正确的，召回率表示所有准确的条目中有多少被检索出来。
准确率和召回率的关系
通常，我们希望准确率和召回率均越高越好，但事实上这两者在某些情况下是矛盾的。比如我们只搜出了一个结果，此结果是正确的，求得precisin等于1。但是由于只搜出一个结果，recall值反而很低，接近于0。所以需要综合考量，下面介绍F-measure。
二、F-measure
F-measure又称F-score,其公式为：
其中F2值，更加注重召回率；F0.5值更加重视准确率。
当beta=1时，就是F1-score：
F-measure综合了precision和recall,其值越高，通常表示算法性能越好。
最近在看自然语言处理，里面的命名实体识别性能测试指标就是P，R，F值。
总之三个值越高越好。