完善第九小节内容

ch18_后端架构选型、离线及实时计算/第十八章_后端架构选型、离线及实时计算.md

@@ -291,7 +291,9 @@ Github地址：https://github.com/uber/petastorm
 ### 18.9.1 准确率与召回率（Precision & Recall）
 
   准确率和召回率是广泛用于信息检索和统计学分类领域的两个度量值，用来评价结果的质量。其中精度是检索出相关文档数与检索出的文档总数的比率，衡量的是检索系统的查准率；召回率是指检索出的相关文档数和文档库中所有的相关文档数的比率，衡量的是检索系统的查全率。
+
   一般来说，Precision就是检索出来的条目（比如：文档、网页等）有多少是准确的，Recall就是所有准确的条目有多少被检索出来了。
+
   正确率、召回率和 F 值是在鱼龙混杂的环境中，选出目标的重要评价指标。不妨看看这些指标的定义先：
 
 	正确率 = 提取出的正确信息条数 /  提取出的信息条数 
@@ -319,11 +321,13 @@ Github地址：https://github.com/uber/petastorm
 	F值 = 70% * 100% * 2 / (70% + 100%) = 82.35%        
 
   由此可见，正确率是评估捕获的成果中目标成果所占得比例；召回率，顾名思义，就是从关注领域中，召回目标类别的比例；而F值，则是综合这二者指标的评估指标，用于综合反映整体的指标。
+
   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比较高或是Recall比较高。如果是做实验研究，可以绘制Precision-Recall曲线来帮助分析。
 
 ### 18.9.2 综合评价指标（F-Measure）
 
   P和R指标有时候会出现的矛盾的情况，这样就需要综合考虑他们，最常见的方法就是F-Measure（又称为F-Score）。
+
   F-Measure是Precision和Recall加权调和平均：
 
 ![F-Measure](./img/18-9-2-1.png)