本节你会学到
- 说清楚「准确率、精确率、召回率和 F1 到底怎么看？」解决的核心问题
- 知道它在「AI 入门与 PyTorch 基础（1～20）」中的位置
- 把 混淆矩阵、机器学习、分类与回归 这些关键词联系起来
准确率、精确率、召回率和 F1 到底怎么看？
从混淆矩阵出发理解四个分类指标，并根据漏判和误判的实际代价选择评价标准。
学习路线：AI 入门与 PyTorch 基础（1～20） · 第 7 课Learning Path
AI 入门与 PyTorch 基础（1～20）
从 AI 基本概念、机器学习任务、深度学习直觉、PyTorch 入门到中文文本分类项目全貌。
学完本阶段你能做到：能说清 AI、机器学习、深度学习、PyTorch 训练流程和一个中文文本分类项目的大致链路。
推荐读法：零基础建议顺序阅读；已有基础的读者可以把它当作路线地图和查漏补缺清单。
查看完整阶段 · 20 篇Lesson Guide
这一课怎么学
先看目标，再带着问题读正文。读完后用练习确认自己真的理解了。
前置知识
- 建议先读完上一篇：训练集、验证集和测试集分别做什么？
- 能区分输入、输出、数据和模型目标。
概念回顾
- 【混淆矩阵】准确率只给总分，混淆矩阵能告诉你模型到底把哪一类看错成了哪一类。 前面或后面会反复用到它。
- 【机器学习】机器学习的重点不是手写所有规则，而是准备数据、定义目标，让模型自己找到可复用的模式。 前面或后面会反复用到它。
- 【分类与回归】判断邮件是不是垃圾邮件是分类，预测房价是多少是回归。 前面或后面会反复用到它。
- 【过拟合】过拟合就像背答案，训练题都会了，但真正考试时不一定会。 前面或后面会反复用到它。
核心概念
常见误区
- 不要只记定义，要追问它解决了什么问题。
- 不要只看一个指标，要结合任务目标判断模型是否真的有用。
课后练习
- 用 3 句话向一个零基础朋友解释「准确率、精确率、召回率和 F1 到底怎么看？」。
- 打开概念库里的「混淆矩阵」，补一遍它和本文的关系。
- 读下一课「过拟合、欠拟合和数据泄漏是什么？」前，先写下你认为它会解决的问题。
自检练习与参考答案
1. 为什么不能只看一个指标？
单一指标会掩盖类别不平衡、业务代价和错误分布。评估要结合任务目标、混淆矩阵和具体错误样本。
2. 什么时候准确率会误导你？
当类别不平衡或不同错误代价差异很大时，准确率可能很高但模型仍然没解决关键问题。
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。
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？
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。
留言讨论