Em reconhecimento de padrões e recuperação de informações com classificação binária, precisão (também chamada de valor preditivo positivo) é a fração de instâncias recuperadas que são relevantes, enquanto revocação (também conhecida como sensibilidade) é a fração de instâncias relevantes que são recuperadas. Tanto  precisão quanto revocação (ou recall) são, portanto, bases para o estudo e compreensão da medida de relevância. Suponha que um programa de computador para o reconhecimento de cães em cenas de um vídeo identifica 7 cães em uma cena contendo 9 cães e alguns gatos. Se 4 das identificações estão corretas, mas 3 são, na verdade, gatos, a precisão do programa é 4/7 enquanto a sua revocação é 4/9. Quando um motor de pesquisa retorna 30 páginas mas dessas apenas 20 são relevantes enquanto deixa de retornar 40 outras páginas relevantes a precisão é de 20/30 = 2/3 enquanto a revocabilidade 20/60 = 1/3.

Precisão, neste caso, é ''o quanto os resultados da pesquisa são úteis'', enquanto revocabilidade é ''o quão completos os resultados estão''.

Em estatística, se a hipótese nula é de que todos (e somente) os itens relevantes são recuperados, a ausência de erros tipo I e tipo II correspondem, respectivamente, à precisão máxima (sem falsos positivos) e revocabilidade máxima (sem falsos negativos). 

No exemplo apresentado, o padrão de reconhecimento contem 7 - 4 = 3 erros tipo I e 9 - 4 = 5 erros tipo II. Precisão pode ser traduzida como uma medida de exatidão ou qualidade, enquanto que revocabilidade é a medida de completude ou quantidade.

Em termos simples, alta precisão significa que o algoritmo retornou substancialmente mais resultados relevantes que irrelevantes, enquanto alta revocabilidade significa que o algoritmo retornou a maioria dos resultados relevantes.