精确率

精确率是什么？

接上面的图书馆场景：系统帮你检索「机器学习入门」，这次它一口气返回了 100 本书，可你翻开一看，有 40 本是小说、烹饪书，跟机器学习一点关系都没有。精确率衡量的，就是「找得准不准」——在所有被返回的结果里，真正相关的那部分占了多大比例。

它和召回率怎么配合？

一对天生的矛盾
想「不漏」，就把检索范围放宽，结果混进来的无关内容也变多；想「不错」，就把条件收紧，结果又容易漏掉相关内容。精确率和召回率就像跷跷板，一头高一头低。
看场景选侧重
搜索推荐里，用户只翻前几页，精确率更重要；医疗排查里，漏掉一个就是事故，召回率更重要。没有谁天生更优，只看你在意什么。

精确率怎么算？

分子是「返回结果里真正相关的数量」，分母是「系统返回的全部数量」。返回 100 条，其中 60 条相关，精确率就是 60%。它回答的问题很简单：我给你的东西里，有多少是靠谱的。

怎么提升精确率？

用更严格的匹配
精确关键词、过滤掉低相关度的候选，能减少「滥竽充数」的结果。
引入排序与阈值
给候选结果打分，只保留高于阈值的那部分，把准确度往上提。
用重排（Rerank）模型
先用简单方法粗召回，再用更强的模型精排一遍，是提升精确率的常见套路。

一句话记住：精确率问的是「找出来的东西靠谱吗」，它决定你拿到手的答案有多少是真正有用的。