在信息檢索和自然語言處理中經常會使用這些參數，下面簡單介紹如下：
准確率與召回率（Precision & Recall）
我們先看下面這張圖來加深對概念的理解，然后再具體分析。其中，用P代表Precision，R代表Recall
一般來說，Precision 就是檢索出來的條目中（比如：文檔、網頁等）有多少是准確的，Recall就是所有准確的條目有多少被檢索出來了。
下面這張表介紹了True Positive，False Negative等常見的概念，P和R也往往和它們聯系起來。
| Relevant | NonRelevant | |
| Retrieved | true positives （tp） | false positives（fp） |
| Not Retrieved | false negatives（fn） | true negatives （tn） |
那么，
\[ P=\frac{tp} {tp+fp} \hfill (1) \]
\[ R=\frac{tp} {tp+fn} \hfill (2) \]
我們當然希望檢索的結果P越高越好，R也越高越好，但事實上這兩者在某些情況下是矛盾的。比如極端情況下，我們只搜出了一個結果，且是准確的，那么P就是100%，但是R就很低；而如果我們把所有結果都返回，那么必然R是100%，但是P很低。
因此在不同的場合中需要自己判斷希望P比較高還是R比較高。如果是做實驗研究，可以繪制Precision-Recall曲線來幫助分析。
F1-Measure
前面已經講了，P和R指標有的時候是矛盾的，那么有沒有辦法綜合考慮他們呢？我想方法肯定是有很多的，最常見的方法應該就是F-Measure了，有些地方也叫做F-Score，其實都是一樣的。
F-Measure是Precision和Recall加權調和平均：
\[ F = \frac{(a^2+1)P*R} {a^2(P+R)} \hfill (3) \]
當參數a=1時，就是最常見的F1了：
\[ F1 = \frac{2PR} {P+R} \hfill (4) \]
很容易理解，F1綜合了P和R的結果，當F1較高時則比較說明實驗方法比較理想。