边缘情况下精度和召回率的正确值是多少？

精度定义为：

p = true positives / (true positives + false positives)

对不对，作为true positives和false positives做法0，精度接近1？

召回相同的问题：

r = true positives / (true positives + false negatives)

我目前正在实施统计测试，需要计算这些值，有时分母为0，我想知道在这种情况下应返回哪个值。

PS：请原谅，不恰当的标签，我想用recall，precision和limit，但我不能创造新的标签呢。

给定一个混淆矩阵：

            predicted
            (+)   (-)
            ---------
       (+) | TP | FN |
actual      ---------
       (-) | FP | TN |
            ---------

我们知道：

Precision = TP / (TP + FP)
Recall = TP / (TP + FN)

让我们考虑分母为零的情况：

• TP + FN = 0：表示输入数据中没有阳性病例
• TP + FP = 0：表示所有实例均被预测为阴性

答案是肯定的。当真正（TP）为0时，会出现未定义的边沿情况，因为这是P和R的分母。在这种情况下，

• 当FN = 0时回想= 1，因为发现了100％的TP
• FP = 0时，精度= 1，因为没有虚假结果

这是@mbq评论的重新表述。

我熟悉不同的术语。您所说的精度我将是正预测值（PPV）。您所说的回想起我称之为灵敏度（Sens）。：

http://en.wikipedia.org/wiki/Receiver_operating_characteristic

在灵敏度（回想）的情况下，如果分母为零（如Amro所指出的），则没有正例，因此分类是没有意义的。（这不会阻止TP或FN为零，这将导致极限灵敏度为1或0。这些点分别位于ROC曲线的右上角和左下角-TPR = 1和TPR = 0。 ）

PPV的限制是有意义的。可以将测试截止值设置得很高（或很低），以便所有情况都被预测为负面。这是ROC曲线的起点。可以通过考虑刚好在起点之前的ROC曲线的最后一段，来估算截止点到达起点之前的PPV的极限值。（由于ROC曲线非常嘈杂，因此建模可能会更好。）

例如，如果有100个实际正值和100个实际负值，并且ROC曲线的最终分段从TPR = 0.08，FPR = 0.02接近，则极限PPV将为PPR〜0.08 * 100 /（0.08 * 100 + 0.02 * 100 ）= 8/10 = 0.8，即80％的可能性为正。

实际上，每个样本都由ROC曲线上的一个片段表示-水平表示实际的负值，垂直表示实际的正值。可以通过原点之前的最后一段来估计极限PPV，但这将得出的极限PPV为1、0或0.5，这取决于最后一个样本是真阳性，假阳性（实际阴性）还是假TP和FP相等 建模方法可能会更好，也许假设数据是双正态的-一个常见的假设，例如：http : //mdm.sagepub.com/content/8/3/197.short

那将取决于您所说的“方法0”。如果假阳性和假阴性都以比真阳性更快的速率接近零，则对两个问题的回答都是。但除此之外，不一定。