1.准确率(Precision)与召回率(Recall) Precision指的是检索出来的条目（比如：文档、网页等）有多少是准确的，衡量的是检索系统的查准率； Recall指的是所有准确的条目有多少被检索出来了，衡量的是检索系统的查全率。 两者取值在0和1之间，数值越接近1，查准率或查全率就越高。
2.综合评价指标（F-Measure） 当然希望检索结果Precision越高越好，同时Recall也越高越好，但事实上这两者在某些情况下有矛盾的。比如极端情况下，我们只搜索出了一个结果，且是准确的，那么Precision就是100%，但是Recall就很低；而如果我们把所有结果都返回，那么比如Recall是100%，但是Precision就会很低。因此在不同的场合中需要自己判断希望Precision比较高还是Recall比较高。
比如对于法官判案会更偏向于高Precision，Recall低一点也没关系，如果证据不足，那么一般会判无罪，因为冤假错案对于被告、法官本人、社会舆论的影响都会很大。 但是对于艾滋病检查会更偏向于高Recall，Precision低一点也没关系，因为如果把一个艾滋病早期病人误判为阴性，那么可能耽误他最佳治疗时间，而可能会传染更多的人，后果很严重。
综合衡量准确率与召回率的最常见的方法就是F-Measure（又称为F-Score）
其中β是参数，P是精准率，R是召回率 当参数β>1时，召回率有更大影响，可以考虑为，β无穷大时，分母中的R和分子中的1都可忽略不计，则F=RF=R，只有召回率起作用。 当参数0<β<1时，精准率有更大影响，可以考虑为，β无限接近0时，分母中的β2和分子中的β2都可忽略不计，则F=PF=P，只有精准率起作用。 当参数α=1时，召回率跟准确率就一样重要，就是最常见的F1指标，也就是
举个栗子: 某池塘有1400条鲤鱼，300只虾，300只鳖。现在以捕鲤鱼为目的。撒一大网，逮着了700条鲤鱼，200只虾，100只鳖。那么，这些指标分别如下： 正确率 = 700 / (700 + 200 + 100) = 70% 召回率 = 700 / 1400 = 50% F1指标 = 70% * 50% * 2 / (70% + 50%) = 58.3%
不妨看看如果把池子里的所有的鲤鱼、虾和鳖都一网打尽，这些指标又有何变化： 正确率 = 1400 / (1400 + 300 + 300) = 70% 召回率 = 1400 / 1400 = 100% F1指标 = 70% * 100% * 2 / (70% + 100%) = 82.35%
