分母等于0时，精度和召回率的正确值是多少？

精度定义为：

p =真阳性/（真阳性+假阳性）

如果（真肯定+假肯定）= 0，那么精度的值是多少？它只是不确定的吗？

召回相同的问题：

r =真阳性/（真阳性+假阴性）

在这种情况下，如果（真肯定+假否定）= 0，召回值是多少？

PS这个问题与问题非常相似，在极端情况下，精度和召回率的正确值是多少？。

先前链接的问题的答案也适用于此。

如果（真肯定+假否定）= 0，则输入数据中没有肯定案例，因此对该案例的任何分析都没有信息，因此也没有关于如何处理肯定案例的结论。您需要N / A或类似的结果作为比率结果，避免除以零误差

如果（真阳性+假阳性）= 0，则所有情况都被预测为阴性：这是ROC曲线的一端。同样，您希望识别并报告这种可能性，同时避免除以零误差。

这里提供了一个有趣的答案：https : //github.com/dice-group/gerbil/wiki/Precision,-Recall-and-F1-measure

该模块的作者根据真阳性，假阳性和假阴性是否全部为0来输出不同的准确性和回忆性评分。

在极少数情况下，Precision或Recall的计算可能会导致被0除。关于精度，如果注释器的答案内没有结果，则可能发生这种情况，因此，真假肯定为0对于这些特殊情况，我们定义为，如果真阳性，假阳性和假阴性均为0，则精度，召回率和F1度量为1。这可能在金标准包含不带任何文档的文档的情况下发生。注释和注释器（正确）不返回任何注释。如果真实肯定值为0，并且其他两个计数器之一大于0，则精度，召回率和F1度量为0。

我不确定这种评分方式是否可以在特殊情况之外的其他情况下使用，但值得考虑。

在高阈值下评估分类器时，当召回率为0时，精度（通常实际上）可能不是1。通常为N / A！我认为人们如何绘制P / R曲线存在问题。避免不适用样本在避免奇异样本的意义上是一种偏见。我忽略了N / A个样本，计算出平均召回率的平均精度wrt，而对于对象检测中的浅层神经网络，我从来没有得到一个从0开始召回的分类器。对于使用tp，fp，fn数计算的曲线也是如此。用纸和铅笔验证单个图像非常容易。例如：我有一个为单个图像输出的分类器：preds = [。7 .6 .5 .1 .05] true = [nynny]通过计算具有各种阈值的混淆矩阵，我们得到：tp = [2 1 1 1 0 0]，fn = [0 1 1 1 2 2]，fp = [3 3 2 1 1 0]。召回rec = [1 .5 .5 .5 0 0]，精度= [。4 .25 1/3 .5 0 NaN]。我看不到用1代替NaN或precision（@ recall == 0）的意义。1应该是一个上限，而不是我们用precision（@ recall == 0）代替的值。