在机器学习、推荐系统、信息检索、自然语言处理、多媒体视觉等领域，常常会用到准确率(precision)、召回率(recall)、F-measure、F1-score 来评价算法的准确性。
一、准确率和召回率(P&R)
以文本检索为例，先看下图
当中，黑框表示检索域，我们从中检索与目标文本相关性大的项。图中黄色部分(A+B)表示检索域中与目标文本先关性高的项，图中
A+C部分表示你的算法检索出的项。A、B、C的含义图中英文标出。
准确率：
召回率：
一般来说，准确率表示你的算法检索出来的有多少是正确的，召回率表示全部准确的条目中有多少被检索出来。
准确率和召回率的关系
通常，我们希望准确率和召回率均越高越好，但其实这两者在某些情况下是矛盾的。比方我们仅仅搜出了一个结果，此结果是正确的，求得precisin等于1。可是因为仅仅搜出一个结果，recall值反而非常低，接近于0。所以须要综合考量，以下介绍F-measure。
二、F-measure
F-measure又称F-score,其公式为：
当beta=1时，就是F1-score：
F-measure综合了precision和recall,其值越高，通常表示算法性能越好。