提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档
文章目录
前言
在使用Paddle实现手写数字识别时，发现对模型评估标准：精确率（precision）和召回率（recall）有些记不清了，在查找相关定义后，这个做下笔记，分享给大家！
1. 精确率、召回率理解
精 确 率 （ p r e c i s i o n ） = 真 实 正 样 本 被 预 测 为 正 样 本 数 量 （ T P ） 所 有 预 测 为 正 样 本 数 量 （ T P + F P ） 精确率（precision）=\frac{真实正样本被预测为正样本数量（TP）}{所有预测为正样本数量（TP+FP）} 精确率（precision）=所有预测为正样本数量（TP+FP）真实正样本被预测为正样本数量（TP）
召 回 率 （ r e c a l l ） = 真 实 正 样 本 被 预 测 为 正 样 本 数 量 （ T P ） 所 有 真 实 正 样 本 数 量 （ T P + F N ） 召回率（recall）=\frac{真实正样本被预测为正样本数量（TP）}{所有真实正样本数量（TP+FN）} 召回率（recall）=所有真实正样本数量（TP+FN）真实正样本被预测为正样本数量（TP）
精确率和召回率的差异就在于分母，精确率分母是预测结果为正样本的数量，召回率分母是所有真实正样本数量。
其实一开始，个人是很不理解为啥叫“召回率”这个名字呢？随着应用和理解的加深，渐渐明白了就是字面意思，所有真实正样本中，预测为正样本的个数占比。
引用知乎【链接】图片可能更加形象，帮助记忆：
总结
以上就是个人理解，如果有误，欢迎指正，谢谢！