分类模型不能只看“猜对多少”。在垃圾短信、疾病筛查和风险识别中，漏掉一个正例和误判一个正常样本，代价可能完全不同。
理解分类指标，最好先从混淆矩阵开始。
视频讲解：在官网观看本课视频
混淆矩阵记录四种结果
以“垃圾短信”为正类：
| 真实情况 / 预测结果 | 预测垃圾 | 预测正常 |
|---|---|---|
| 实际垃圾 | TP | FN |
| 实际正常 | FP | TN |
TP：垃圾短信被正确识别；TN：正常短信被正确放行；FP：正常短信被误判为垃圾；FN：垃圾短信被漏掉。
Accuracy：整体猜对多少
Accuracy = (TP + TN) / 全部样本
类别比较均衡时，准确率很直观。但如果 1000 条短信中只有 10 条垃圾短信，模型把所有短信都判断为正常，也有 99% 的准确率，却完全没有识别能力。
Precision：预测为正的结果有多可靠
Precision = TP / (TP + FP)
精确率高，说明模型一旦说“这是垃圾短信”，通常是可信的。误判正常短信代价很高时，应重点关注精确率。
Recall：真正的正例找回了多少
Recall = TP / (TP + FN)
召回率高，说明真正的垃圾短信很少漏掉。疾病筛查、安全风险检测等不希望漏判的任务，通常更关注召回率。
F1：平衡 Precision 和 Recall
F1 = 2 × Precision × Recall / (Precision + Recall)
F1 是二者的调和平均。只有 Precision 和 Recall 都比较好时，F1 才会高，适合类别不均衡且两种错误都需要考虑的场景。
指标必须对应业务代价
没有一个指标永远最好。选择指标前应该问：
漏掉一个正例的代价是什么？
错判一个负例的代价是什么？
类别是否严重不均衡？
是否需要分别观察每个类别？
技术图：把关键链路画清楚
可运行实验：从同一个混淆矩阵计算四个指标
指标不是互相独立的公式，它们都来自混淆矩阵。先固定一组预测结果，再观察 Accuracy、Precision、Recall 和 F1 如何描述不同问题。
from sklearn.metrics import accuracy_score, confusion_matrix, precision_recall_fscore_support y_true = [1, 1, 1, 1, 0, 0, 0, 0] y_pred = [1, 1, 0, 0, 1, 0, 0, 0] p, r, f1, _ = precision_recall_fscore_support(y_true, y_pred, average="binary") print("混淆矩阵:\n", confusion_matrix(y_true, y_pred)) print(f"Accuracy={accuracy_score(y_true, y_pred):.3f}") print(f"Precision={p:.3f} Recall={r:.3f} F1={f1:.3f}")运行结果：
混淆矩阵: [[3 1] [2 2]] Accuracy=0.625 Precision=0.667 Recall=0.500 F1=0.571
模型预测为正的 3 个样本里有 2 个正确，因此 Precision 为 2/3；真实正例有 4 个，只找回 2 个，因此 Recall 为 1/2。
常见误区
Accuracy 高就代表模型好。类别极不平衡时，全猜多数类也可能很高。
Precision 和 Recall 可以同时随意提高。固定模型下二者通常受阈值影响，需要按业务代价取舍。
动手练习
把第三个预测从0改成1，重新计算指标，并解释为什么 Recall 上升。
这一课先记住什么
Accuracy 看整体，Precision 关注误判，Recall 关注漏判，F1 在两者之间取平衡。评价模型时不要只报一个数字。
下一课会讨论模型最常见的两种学习问题：过拟合和欠拟合。
本文首发于「去你想去的地方」： https://bestsdz.xyz/posts/classification-metrics/
完整学习路线、视频版和后续更新请访问原文。