准确率与精确率：别再傻傻分不清

说实话，我刚入行那会儿，也把准确率和精确率混着用。直到有一次给老板汇报模型效果，我说「准确率99%」，结果上线后业务方天天投诉——说模型把好用户全误杀了。后来我才意识到，我报的是准确率，但业务真正关心的是精确率。

这两个指标，长得像，但背后的故事完全不同。今天咱们就把它们彻底掰扯清楚。

准确率（Accuracy）：最直观，也最容易骗人

准确率的定义很简单：所有预测中，猜对了多少。

公式长这样：

Accuracy = (TP + TN) / (TP + TN + FP + FN)

其中：

• TP（True Positive）：正类预测为正类，猜对了
• TN（True Negative）：负类预测为负类，也猜对了
• FP（False Positive）：负类预测为正类，误报
• FN（False Negative）：正类预测为负类，漏报

举个例子。假设我们有100个样本，其中90个是正常用户，10个是欺诈用户。模型把90个正常用户全判对了，10个欺诈用户只判对了5个，另外5个判成了正常用户。

算一下：

• TP = 5（欺诈用户判对了5个）
• TN = 90（正常用户全判对了）
• FP = 0（没有误报）
• FN = 5（漏了5个欺诈用户）

准确率 = (5 + 90) / (5 + 90 + 0 + 5) = 95 / 100 = 95%

看起来不错吧？但仔细想想——模型漏掉了50%的欺诈用户！这就是准确率的陷阱。

精确率（Precision）：你猜对了，但代价是什么？

精确率问的是：在所有被你判为正类的样本中，有多少是真的正类？

公式：

Precision = TP / (TP + FP)

还是刚才那个例子。模型判为正类的样本有多少？TP=5，FP=0，所以精确率 = 5 / (5 + 0) = 100%。

嗯，完美。但别忘了，模型漏掉了5个欺诈用户。精确率只看「你判为正类的那些」，它不关心你漏掉了谁。

我个人的习惯是：当误报的代价很高时，优先看精确率。比如垃圾邮件过滤——把正常邮件误判为垃圾邮件，用户可能永远看不到重要邮件。这时候，精确率比准确率重要得多。

适用场景与局限性

这两个指标各有各的脾气，用错了地方，后果很严重。

举个具体的例子。我在做医疗影像项目时，模型要判断「是否有肿瘤」。准确率99%听起来很厉害，但实际数据中99.9%都是健康样本。模型只要全判健康，准确率就接近100%。但漏掉一个肿瘤患者，后果是什么？你想想看。

反过来，如果模型把很多健康样本误判为肿瘤，精确率就会很低。医生会收到大量假警报，最后对模型失去信任。

知识结构图：准确率与精确率的关系

下面这张图帮你理清这两个指标在评价体系中的位置，以及它们之间的核心差异。

实战中的选择策略

说了这么多理论，到底什么时候用哪个？我总结了一个简单的决策流程：

1. 先看数据分布：如果正负类比例接近1:1，准确率是个不错的起点。如果严重不平衡，直接跳过准确率。
2. 再看业务代价：误报和漏报，哪个更贵？误报贵 → 盯精确率；漏报贵 → 盯召回率。
3. 最后看业务方要什么：我遇到过业务方说「我要高准确率」，结果他们真正想要的是「别把好用户误判成坏人」。这时候精确率才是他们需要的。