首先，让我们明确一点，所有这些措施仅用于评估二元分类任务。

理解差异的方法是查看两个类中实例数量（非常）不同的示例，无论是真实类（黄金类）还是预测类。

例如，想象一个任务是在文本中的单词中检测城市名称。这不是很常见，因此在您的测试集中，您可能有 1000 个单词，其中只有 5 个是城市名称（正数）。现在想象两个系统：

• 虚拟系统 A 总是对任何单词说“否定”
• 真实系统 B（例如，它与城市名称字典一起使用）。假设 B 遗漏了 2 个真实城市，并错误地将另外 8 个单词识别为城市。

系统 A 的准确度为 995/1000 = 99.5%，即使它什么也没做。系统 B 有 990/1000=99.0%。看起来 A 更好，这就是为什么准确性很少能给出完整的画面。

精度表示系统在其积极预测中的正确程度：系统 A 总是表示否定，因此它的精度为 0%。系统 B 有 3/11 = 27%。

召回率表示系统检索到的真阳性实例的比例：系统 A 不检索任何内容，因此它的召回率为 0%。系统 B 有 3/5 = 60%。

F1-score 是一种获得单个值的方法，该值表示准确率和召回率的调和平均值。它用作这两个值的“汇总”，当需要根据性能对不同系统进行排序时，这很方便。

评估措施的选择取决于任务：例如，如果预测 FN 具有危及生命的后果（例如癌症检测），那么召回是至关重要的。相反，如果避免 FP 情况非常重要，那么精确度就更有意义（例如，如果自动导弹系统错误地将商业飞行识别为威胁）。最常见的情况当然是 F1 分数（或更一般地说是 F$\alpha$-score)，适用于大多数二元分类任务。