追问

第一个问题追问：p（1）=（2）/(2)+(4)表示：在人没病的里边，机器验出有病的概率，即错杀好人，一类错误；p（1）=（1）/(1)+(2)表示：在机器说人有病的里边，机器说错了（其实人没病）的概率，也是错杀好人，也是一类错误。有点没绕不过来了~两个哪个对呢

追问

5追问：他说俩个比较 F1更好的条件是建立在：unequal class distribution is in the dataset.请问这个条件是想强调说明什么呢

追问

P(I)=(2)/((2)+(4))；P=(1)((1)+(2)) P(II)=(3)/((1)+(3))；R=(1)((1)+(3)) 单老师的推导逻辑是：一类和二类错误都是越低越好，且此消彼长，所以P和R就是越高越好，且也是此消彼长。问题：如果一类错误的公式您写的那样（当然 应该就是那样，所以还是有点晕），不是我写的P(I)=(2)/((1)+(2))这样的话,那单老师这种类比的推导方法就有些问题了，请问怎么解释?

追答

同学你好！ 1.P(I)和P(II)都是建立在真实数据为真或为假的基础上的条件概率，(1)+(2)明显是预测为假的基础上，肯定不对。 2.就是癌症这个例子，分布极不对称，10个人患癌症，9990人正常。

追答

同学你好！ 我看了看，单老师没推导I类和II类错误的问题，只是写了写precision和recall的公式。precision和recall的关系，是此消彼长的，I类和II类错误也是此消彼长的关系，也没问题的。

追问

您举的癌症的例子，我没有能明白，和公式没能对的上。1.明确：precision的对立面不是一类错误，而recall的对立面是二类错误，这个确定对吧？2.P和R的此消彼长可否再说的通俗一点呀？

追答

同学你好！ 1.是的 2.还是癌症的例子，10000人中10患癌症，但这次更极端一点。比如一套检测癌症的方法，强调precision时，就是强调判断患癌的人中有多少真正患癌，该比例越高，说明检测能力越强。为了提高precision，那么我们可能会考虑10个指标，10个指标都满足才判定患癌症。最终这种方法只检测出1个患癌的人，实际1个的确患癌，也就是TP=1,FN=9,FP=0,TN=9990。此时precision=100%，recall仅10%。但是这样的做法对于别的病人就不负责任。 强调recall，就是强调真实病人中，有多少能被我们检测出来患癌，比例越高越好。那么我们抱着宁可错判断，也不能放过的心态，我们就可能放松标准，比如满足10个指标中的6个就判定患癌症。此时可能检测出15个患癌，实际这15个人中，8个患癌症的，多7个正常人。TP=8,FN=2,FP=7,TN=9983。此时precision=8/15，recall=80%。但也造成了医疗资源的浪费。 所以在这套检测的方法中，我们选的指标越多，那么precision越高，但是recall相对就会低；选的指标越少，那么recall越高，但precision相对会低。

追问

我的理解（简单转述一下您的意思 看是否理解）： 精准度高的好处：检查过的没有错的；坏处：查的太慢 对没查到的不公平。召回度高的好处：把可能出问题的基数扩大了；坏处：不该查的也查了，浪费了资源。标准严一点，准确度高 召回的基数就不可能那么大；标准松一点，召回的基数大了，就不可能保证每个都是精准无误。所以此消彼长。 ok?

追答

同学你好！ 很棒！理解得很到位哈！

追问

谢谢老师，看来有问题还是要问的，弄明白了心情好~

追答

别客气 继续加油哈~