准确率与精确率：两个最容易被混淆的指标
做分类任务，绕不开两个基础指标：准确率（Accuracy）和精确率（Precision）。
名字就差一个字，但含义天差地别。我见过不少新手，甚至一些工作两三年的工程师，面试时被问到「什么时候该用准确率，什么时候该用精确率」直接卡住。
说白了，选错指标，你的模型可能看起来「很准」，实际上一塌糊涂。
准确率：最直观，也最容易骗人
准确率的定义很简单：预测正确的样本数 ÷ 总样本数。
公式：Accuracy = (TP + TN) / (TP + TN + FP + FN)
TP 是正确预测的正例，TN 是正确预测的负例。分子就是所有猜对的。
听起来很合理对吧？但有个大坑——类别不平衡。
我举个例子。假设你做一个罕见病检测系统，1000 个样本里只有 10 个病人。你写个模型，不管三七二十一全部预测为「健康」。
算一下准确率：990 个健康猜对了，10 个病人全错。准确率 = 990 / 1000 = 99%。
看起来牛逼吧？但实际这个模型屁用没有——它一个病人都没找出来。
我曾经在一个风控项目里踩过这个坑。正样本只占 0.5%，模型准确率做到 99.2%，领导很开心。我多看了一眼混淆矩阵，发现所有正样本全被分错了。从那以后，我养成了一个习惯：看准确率之前，先看类别分布。
所以准确率什么时候用？
- 类别均衡时，准确率是很好的整体指标
- 各类别重要性相同时，准确率够用
- 做基线模型对比时，准确率是最快的参考值
精确率：关注「我判定的正例」有多靠谱
精确率问的是另一个问题：在所有被我预测为正例的样本里，有多少是真的正例？
公式：Precision = TP / (TP + FP)
FP 是假正例，也就是「误报」。精确率越高，说明模型「宁缺毋滥」——它不会轻易把负例判成正例。
我习惯把精确率理解为「信任度」。你想想看，搜索引擎返回 10 条结果，如果 9 条都相关，精确率就是 90%。用户会觉得这个搜索引擎靠谱。
实战中，精确率在哪些场景特别重要？
- 垃圾邮件过滤：把正常邮件误判为垃圾邮件（FP），用户会骂娘。宁可漏掉几封垃圾，也别误伤正常邮件
- 推荐系统：推荐给用户的内容，如果大部分都不相关，用户很快就流失了
- 医疗诊断辅助：告诉医生「这个病人有问题」，如果经常误报，医生会失去信任
我个人习惯：在做二分类时，先看精确率再看召回率。精确率低，说明模型「太激进」，需要调整阈值或增加负样本。
准确率 vs 精确率：一张表说清楚
| 对比维度 | 准确率 (Accuracy) | 精确率 (Precision) |
|---|---|---|
| 关注点 | 整体预测正确率 | 正例预测的可靠性 |
| 受不平衡影响 | 严重（多数类主导） | 较小（只看正例预测） |
| 适用场景 | 类别均衡、误判代价相近 | 误报代价高、需要高可信度 |
| 优化方向 | 减少所有错误 | 减少假正例（FP） |
| 典型例子 | 手写数字识别 | 垃圾邮件过滤 |
实战选择：到底该看哪个？
这个问题没有标准答案，但有个经验法则：
- 先看业务场景：误报和漏报，哪个代价更高？
- 再看数据分布：类别严重不平衡？优先看精确率
- 最后看需求：老板要「整体表现」还是「正例可信度」？
举个例子。我做电商反欺诈时，业务方明确说：「宁可放过 100 个可疑订单，也别误伤 1 个正常用户。」
那好，精确率就是核心指标。我甚至会把精确率目标定在 99.5% 以上，召回率可以降到 60%。
反过来，如果是「癌症早期筛查」，漏掉一个病人可能出人命。这时候召回率更重要，精确率可以适当放宽。
记住一句话：准确率告诉你「整体对不对」，精确率告诉你「说对的时候有多靠谱」。两个指标一起看，才能看清模型的全貌。
知识结构图：准确率与精确率的关系
代码示例：快速计算准确率和精确率
用 Python 算这两个指标，几行代码搞定。我习惯用 sklearn.metrics，但也会手写一遍加深理解。
from sklearn.metrics import accuracy_score, precision_score
# 真实标签和预测标签
y_true = [1, 0, 1, 1, 0, 0, 1, 0, 0, 1]
y_pred = [1, 0, 1, 0, 0, 0, 1, 0, 1, 1]
# 准确率
acc = accuracy_score(y_true, y_pred)
print(f"准确率: {acc:.2f}")
# 精确率（正例为 1）
prec = precision_score(y_true, y_pred, pos_label=1)
print(f"精确率: {prec:.2f}")
# 手算验证
TP = sum(1 for t, p in zip(y_true, y_pred) if t == 1 and p == 1)
FP = sum(1 for t, p in zip(y_true, y_pred) if t == 0 and p == 1)
TN = sum(1 for t, p in zip(y_true, y_pred) if t == 0 and p == 0)
FN = sum(1 for t, p in zip(y_true, y_pred) if t == 1 and p == 0)
print(f"TP={TP}, FP={FP}, TN={TN}, FN={FN}")
print(f"手算准确率: {(TP+TN)/(TP+TN+FP+FN):.2f}")
print(f"手算精确率: {TP/(TP+FP):.2f}")我建议：每次跑完模型，先打印混淆矩阵，再算准确率和精确率。混淆矩阵能让你一眼看出 FP 和 FN 的分布，比只看指标数字直观得多。
避坑指南
- 我曾经在一个多分类任务里直接用 accuracy_score，没注意参数
average的默认值，结果精确率算出来是 macro average，跟业务方理解的不一样。沟通了半天才对齐。现在我用 precision_score 一定会显式指定average参数。 - 准确率不是越高越好。99% 的准确率在类别不平衡时可能是垃圾模型。先看分布，再看指标。
- 精确率不能单独看。精确率 100% 但召回率 1% 的模型，实际也没用。两个指标要一起看，或者直接看 F1-score。
嗯，准确率和精确率就讲到这里。这两个指标是分类任务的基石，搞清楚了，后面学召回率、F1-score、ROC 曲线都会轻松很多。