假设我们知道样本大小，我们可以通过知道 Precision 和 Recall 来获得 Accuracy。Precision 定义为，Recall 定义为，是 True Positives 的数量，是 False Positives 的数量，是数量真阴性。现在假设唯一的事情我们不知道的数量。我们可以求解，因为我们可以计算精度为。如果我们不知道检查的样本总数，那么我们就会陷入困境。$N$$\frac{TP}{TP+FP}$$\frac{TP}{TP+FN}$$TP$$FP$$FN$$N = TP+TN+FP+FN$$TN$$TN = N-(TP+FP+FN)$$\frac{TP+TN}{N}$$N$

一般来说，Precision 和 Recall（以及它们的调和平均值，分数）确实是直观的衡量标准，但它们不能解释负样本（真负样本）的正确分类，这在某些情况下是不方便的（或完全误导）。$F_1$

不，因为你对真底片一无所知，。考虑条目的混淆矩阵，它们用于计算精度和召回率，这意味着您拥有比精度/召回率更多的信息。但是，即使这三个已知，您也可以尽可能多地$TN$$FN,FP,TP$$TN$