为了确保一切都清楚，让我快速总结一下我们正在谈论的内容。精度和召回率是二元分类的评估指标，其中每个实例都有一个基本真实类（也称为黄金标准类，我将其称为“黄金”）和一个预测类，无论是正面还是负面（注意它是重要的是要清楚地定义哪一个是积极的）。因此，每个实例都有四种可能性：

• 黄金正面和预测正面 -> TP
• 金阳性和预测阴性 -> FN（也称为 II 型错误）
• 金阴性和预测阳性 -> FP（也称为 I 型错误）
• 金阴性和预测阴性 -> TN

如果有帮助，我认为Wikipedia Precision and Recall 页面上的图很好地总结了这些概念。

关于您的问题：

1. 如果避免误报对我来说最重要，我应该测量精度；如果避免假阴性对我来说最重要，我应该衡量召回率。我的理解正确吗？

正确的。

2. 假设，我正在预测是否应该给患者接种疫苗，如果给健康人接种疫苗是灾难性的，因此应该只给受影响的人接种；我负担不起给健康人接种疫苗的费用。假设阳性代表应该给予疫苗，阴性代表不应该给予疫苗，我应该测量精度吗？或召回我的分类器？

在这里，人们希望避免将疫苗提供给不需要的人，即我们需要避免将阳性预测为黄金阴性实例。由于我们想不惜一切代价避免 FP 错误，我们必须有非常高的精度 -> 应该使用精度。

假设，我正在预测一封电子邮件是垃圾邮件（+ve）还是非垃圾邮件（-ve）。我不能承受被归类为非垃圾邮件的垃圾邮件，这意味着不能承受假阴性，我应该测量精度吗？或召回我的分类器？

我们要避免假阴性-> 应该使用召回。

注意：positive 类的选择很重要，这里 spam = positive。这是标准方式，但有时人们会将“积极”与积极结果混淆，即在心理上将积极与非垃圾邮件联系起来。

4. 高精度（> 0.95）和低召回率（< 0.05）是什么意思？低精度（> 0.95）和高召回率（< 0.05）意味着什么？

假设您是一个分类器，负责根据一组图片是否包含狗（正面）或不包含（负面）来标记一组图片。您会看到有些图片明显包含一只狗，因此您将它们标记为正面，而有些则显然没有，因此您将它们标记为负面。现在让我们假设对于大多数图片您不确定：可能图片太暗、太模糊、有动物但被另一个物体遮盖等等。对于这些不确定的情况，您有两种可能的策略：

• 将它们标记为负数，换句话说，有利于精度。最好的情况是，它们中的大多数结果都是负面的，因此您将获得高精度和高召回率。但是如果大多数这些不确定的情况实际上是积极的，那么你就会有很多 FN 错误：你的召回率会非常低，但你的准确率仍然会非常高，因为你确定所有/大多数你的标记为正面的实际上是正面的。
• 将它们标记为积极的，换句话说，有利于召回。现在在最好的情况下，它们中的大多数结果都是积极的，因此高精度和高召回率。但是如果大多数不确定的情况实际上是负面的，那么你就会有很多 FP 错误：你的精确度会很低，但你的召回率仍然会很高，因为你确定所有/大部分是真正的正面被标记为阳性。

旁注：这与您的问题并不真正相关，但是对于高召回率很重要的情况，垃圾邮件的示例并不是很现实。通常，高召回率在目标是找到所有潜在阳性病例的任务中很重要：例如，警方调查发现每个人都容易在特定时间出现在特定地点。在这里，FP 错误无关紧要，因为侦探会事后进行检查，但 FN 错误可能会导致错过潜在嫌疑人。