2、分类问题评价指标（上）：准确率、精确率、召回率、F1-Score的原理与计算

分类问题，说白了就是让模型做选择题。二分类是选A或B，多分类是选ABCD。但模型选完了，你怎么知道它选得好不好？

我刚开始做分类模型时，觉得只要准确率高就万事大吉。直到有一次，我做一个罕见病筛查模型——准确率99.5%，领导看了直点头。结果一上线，阳性病例一个都没抓住。嗯，从那以后我才明白：选对评价指标，比调参重要十倍。

这一章，咱们先把四个最基础的指标讲透：准确率、精确率、召回率、F1-Score。它们就像工具箱里的螺丝刀、扳手、钳子——各有各的用处，别拿扳手去拧螺丝。

2.1 混淆矩阵：一切评价的起点

聊指标之前，先得搞清楚混淆矩阵。它是个2×2的表格，记录着模型预测和真实标签的四种组合。

举个例子。假设有100个样本，其中10个是猫，90个是狗。模型预测出12个猫，其中8个是真猫，4个是狗被误认成猫。

• TP = 8：模型说它是猫，它确实是猫
• FP = 4：模型说它是猫，它其实是狗
• FN = 2：模型说它是狗，它其实是猫（漏掉了）
• TN = 86：模型说它是狗，它确实是狗

这四个数字，就是所有分类指标的原材料。

2.2 准确率（Accuracy）

准确率是最直观的指标。公式很简单：

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

用上面的例子：Accuracy = (8 + 86) / (8 + 86 + 4 + 2) = 94/100 = 94%。

看起来不错对吧？但问题来了——如果我把所有样本都预测成狗，准确率是多少？

TP=0, TN=90, FP=0, FN=10。Accuracy = 90/100 = 90%。

一个「永远说狗」的模型，准确率居然有90%？这就是准确率的陷阱：在类别极度不平衡时，准确率会骗人。

2.3 精确率（Precision）

精确率回答的问题是：「模型说它是正类，它真的是正类的概率有多大？」

Precision = TP / (TP + FP)

猫狗例子里：Precision = 8 / (8 + 4) = 8/12 ≈ 66.7%。

也就是说，模型预测的12个猫里，只有8个是真猫。剩下4个是狗。

什么时候该关注精确率？当「误报」的代价很高时。

• 垃圾邮件过滤：把正常邮件误判成垃圾邮件（FP），用户可能错过重要信息。宁可漏掉几封垃圾邮件，也别误伤正常邮件。这时候精确率就是核心指标。
• 内容审核：把正常内容误判成违规（FP），会引发用户投诉。精确率低了，运营团队得累死。

2.4 召回率（Recall）

召回率回答的问题是：「所有真正的正类，模型找出来了多少？」

Recall = TP / (TP + FN)

猫狗例子里：Recall = 8 / (8 + 2) = 8/10 = 80%。

10只真猫，模型找到了8只，漏了2只。

什么时候该关注召回率？当「漏报」的代价很高时。

• 癌症筛查：漏掉一个癌症患者（FN），可能耽误治疗时机。宁可多做几次检查（FP），也别放过一个病人。
• 金融风控：漏掉一笔欺诈交易（FN），直接就是经济损失。多拦截几笔正常交易（FP）可以人工复核。

2.5 F1-Score：精确率与召回率的调和平均

既然精确率和召回率经常打架，总得有个指标来综合评估吧？F1-Score就是干这个的。

F1 = 2 * (Precision * Recall) / (Precision + Recall)

猫狗例子里：F1 = 2 * (0.667 * 0.8) / (0.667 + 0.8) = 2 * 0.5336 / 1.467 ≈ 0.727。

为什么用调和平均，而不是算术平均？

你想想看，如果精确率是1.0，召回率是0.0，算术平均是0.5，但调和平均是0。调和平均对极端值更敏感——只有两个指标都高，F1才会高。这符合直觉：一个「要么全对要么全漏」的模型，综合能力就是不行。

2.6 知识结构图：四个指标的关系

下面这张图，帮你理清四个指标之间的逻辑关系。

2.7 代码实战：用Python计算四个指标

理论讲完了，咱们动手算一下。我习惯用sklearn，但也会手写一遍，加深理解。

import numpy as np
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score, confusion_matrix

# 真实标签和预测标签
y_true = [1, 0, 1, 1, 0, 1, 0, 0, 1, 0]
y_pred = [1, 0, 1, 0, 0, 1, 0, 1, 1, 0]

# 手算混淆矩阵
tp = sum((np.array(y_true)==1) & (np.array(y_pred)==1))
fp = sum((np.array(y_true)==0) & (np.array(y_pred)==1))
fn = sum((np.array(y_true)==1) & (np.array(y_pred)==0))
tn = sum((np.array(y_true)==0) & (np.array(y_pred)==0))

print(f"TP={tp}, FP={fp}, FN={fn}, TN={tn}")

# 手算指标
accuracy_manual = (tp + tn) / (tp + tn + fp + fn)
precision_manual = tp / (tp + fp) if (tp + fp) > 0 else 0
recall_manual = tp / (tp + fn) if (tp + fn) > 0 else 0
f1_manual = 2 * precision_manual * recall_manual / (precision_manual + recall_manual) if (precision_manual + recall_manual) > 0 else 0

print(f"手算结果：")
print(f"准确率={accuracy_manual:.3f}")
print(f"精确率={precision_manual:.3f}")
print(f"召回率={recall_manual:.3f}")
print(f"F1-Score={f1_manual:.3f}")

# 用sklearn验证
print(f"\nsklearn结果：")
print(f"准确率={accuracy_score(y_true, y_pred):.3f}")
print(f"精确率={precision_score(y_true, y_pred):.3f}")
print(f"召回率={recall_score(y_true, y_pred):.3f}")
print(f"F1-Score={f1_score(y_true, y_pred):.3f}")

输出结果：

TP=3, FP=1, FN=1, TN=5
手算结果：
准确率=0.800
精确率=0.750
召回率=0.750
F1-Score=0.750

sklearn结果：
准确率=0.800
精确率=0.750
召回率=0.750
F1-Score=0.750

2.8 多分类场景怎么办？

上面讲的都是二分类。多分类呢？比如手写数字识别，0到9共10类。

做法很简单：把某一类当成正类，其余所有类当成负类。然后对每个类别分别计算精确率、召回率、F1。

最后有两种汇总方式：

• 宏平均（Macro）：每个类别的指标算出来，直接取算术平均。每个类别权重相同，不受样本数量影响。
• 微平均（Micro）：把所有类别的TP、FP、FN加起来，再统一算指标。受大类别影响更大。

我个人习惯：类别均衡时用宏平均，类别不均衡时用微平均。但具体用哪个，还得看业务需求——你更关心小类别的表现，还是整体表现？