精度定义为：
p = true positives / (true positives + false positives)
当true positives和false positives接近 0 时，精度接近 1 是否正确？
召回的相同问题：
r = true positives / (true positives + false negatives)
我目前正在实施一个需要计算这些值的统计测试，有时分母为 0，我想知道在这种情况下要返回哪个值。
PS：请原谅不合适的标签，我想使用recall，precision和limit，但我还不能创建新标签。
给定一个混淆矩阵：
predicted
(+) (-)
---------
(+) | TP | FN |
actual ---------
(-) | FP | TN |
---------
我们知道：
Precision = TP / (TP + FP)
Recall = TP / (TP + FN)
让我们考虑分母为零的情况：
答案是肯定的。未定义的边缘情况发生在真阳性 (TP) 为 0 时，因为这是 P 和 R 的分母。在这种情况下，
这是@mbq 评论的重新表述。
我熟悉不同的术语。你所说的精确度就是阳性预测值（PPV）。你所说的回忆我称之为敏感性（Sens）。：
http://en.wikipedia.org/wiki/Receiver_operating_characteristic
在敏感性（召回）的情况下，如果分母为零（正如 Amro 指出的那样），则没有阳性案例，因此分类没有意义。（这不会阻止 TP 或 FN 为零，这将导致限制灵敏度为 1 或 0。这些点分别位于 ROC 曲线的右上角和左下角 - TPR = 1 和 TPR = 0。 )
PPV的限制是有意义的。测试截止值可能设置得如此高（或低），以致所有病例都被预测为阴性。这是 ROC 曲线的原点。可以通过考虑 ROC 曲线在原点之前的最后一段来估计截止点到达原点之前的 PPV 的极限值。（这可能更好地建模，因为 ROC 曲线是出了名的嘈杂。）
例如，如果有 100 个实际正数和 100 个实际负数，并且 ROC 曲线的最终段从 TPR = 0.08，FPR = 0.02 逼近，则限制 PPV 将是 PPR ~ 0.08*100/(0.08*100 + 0.02*100 ) = 8/10 = 0.8 即 80% 的概率是真阳性。
在实践中，每个样本都由 ROC 曲线上的一段表示 - 水平表示实际负数，垂直表示实际正数。可以通过原点之前的最后一段来估计限制 PPV，但这将给出 1、0 或 0.5 的估计限制 PPV，这取决于最后一个样本是真阳性、假阳性（实际阴性）还是做出的TP 和 FP 相等。建模方法会更好，也许假设数据是双正态的 - 一个常见的假设，例如： http: //mdm.sagepub.com/content/8/3/197.short
这取决于您所说的“接近 0”是什么意思。如果假阳性和假阴性都以比真阳性更快的速度接近零，那么这两个问题都是肯定的。但除此之外，不一定。