比方说，我有三个类代表需要通过我的模型分类的子宫颈类型。总体目标是预测正确的子宫颈类别，以便医疗服务提供者可以为患者提供最适合其子宫颈癌的治疗方法。子宫颈类型分类错误会给医疗服务提供者增加诊断时间，并给患者带来治疗费用。在这种情况下，精度比召回更重要吗？
答案 0 :(得分：0)
只需记住：
回忆： 这是真阳性与假阴性之间的比率。因此，它衡量了预测良好的类与该类所有样本之间的比率。当您的目标是识别一类的所有样本（例如，预测所有罹患癌症的人）时，这会很好。
精度： 这是真阳性和假阳性之间的比率。因此，它衡量了预测良好的类别与被预测为该类别的所有样本之间的比率。当您的目标是避免出现假阳性（例如，避免预测一个女人实际上没有怀孕）时，这会很好。
在这种情况下，我认为重要的是要更多地了解错误的后果。如果一个人是A型但被预测为B型，会有生命危险吗？有没有最安全的类型（即使一个人被错误分类，也没有生命危险）？最危险的（有生命危险）？
根据答案，您将能够选择最佳指标。
假设存在最安全和最危险的类型，则召回危险类型将更相关，因为您必须识别所有类型（最大数量）。