召回率和精确率是一些文档中常用的词语，怎么理解了？本文会简单、明了的介绍一下！
概念
参考：https://en.wikipedia.org/wiki/Precision_and_recall
Precision (also called positive predictive value) is the fraction of relevant instances among the retrieved instances. Written as a formula:
Precision=Relevant retrieved instancesAll retrieved instances
Recall (also known as sensitivity) is the fraction of relevant instances that were retrieved. Written as a formula:
Recall=Relevant retrieved instancesAll relevant instances
例子
参考: https://www.zhihu.com/question/19645541
公园里有50只皮卡丘和10只臭臭泥，有正常审美的人都会想要用精灵球把尽可能多的皮卡丘抓回来，同时尽可能少地抓住臭臭泥！最终我们的精灵球成功抓55只回来了，其中45只是皮卡丘和10是只臭臭泥！
我们就可以说50只皮卡丘中有45只被召唤 (call) 回来 (re) 了，所以 recall = 45 / 50，但同时，这台机器还误把5只臭臭泥识别为皮卡丘，在它抓回来的所有55只神奇宝贝中，精灵球对皮卡丘判断的精确率 (precision) = 45 / 55 ！
- TP = 45 (真正，抓对的)
- FP = 55 - 45 = 10（假正，抓错了[误报]，例如我把10只臭臭泥当成了皮卡丘）
- FN = 50 - 45 = 5（假负，将现实的True判断为Negative，没抓住[漏报]，例如这里我有5只皮卡丘没抓住）
- TN = 10 - 10 = 0 （真负，全部的负集-误报，这里我们把错误的全抓了，所以这里为0）
recall(召回率) = TP/(TP+FN) = 45/50 抓回来多少，召回率越高需要降低精确率保证全都得抓住，可能抓错的就回多！
precision(精确率) = TP/(TP+FP) = 45/55 抓对了多少，提高精确率需要保证你抓错的尽可能的少，可能抓回来的比较少！
实际应用
例如有一个监控报警的服务，通常来说对于一个流经LB的服务需要统计SLA，那么如果我们把报警的条件设计成5xx才报警的话，会造成漏报，导致一些对于4xx敏感的业务报警没报警出来，此时如果我们把条件变成4xx/5xx就会导致误报很多！
所以实际需求中需要根据业务实际情况来评估召回率/精确率，通常报警系统需要保证召回率尽可能的高需要保证90%以上（避免漏报），精确率只要保证20%左右就行了！
总结
避免漏报，就需要提高召回率，对应到代码里就是放宽条件限制！
避免误报，就需要提高精确率，对应到代码里就是多加一些条件判断！
综合来看需要一个权衡，不同业务场景要求的召回率和精确率是不一样的！
中文中有些不严谨，例如 精确率、准确率 这俩词其实一个意思，但是 precision、accuracy 是俩意思，注意很多文章拿精确率、准确率来做区分，本文所讲的主要是 precision！
