3、分类问题评价：准确率、精确率、召回率、F1分数与混淆矩阵

分类模型好不好，不能光看它猜对了几个。说实话，我刚入行那会儿也犯过这毛病——拿个准确率90%的模型就兴冲冲去上线，结果被产品经理追着骂。为什么？因为数据不平衡的时候，准确率会骗人。

这一章，咱们把分类评价的几把尺子掰开揉碎了讲。你搞懂了它们，以后看模型报告就不会被数字忽悠了。

3.1 混淆矩阵：一切评价的起点

所有分类指标，几乎都是从混淆矩阵算出来的。它就是个2×2的表格，记录着模型预测和真实标签的四种组合情况。

	预测为正类 (Positive)	预测为负类 (Negative)
真实为正类	TP (True Positive) 真正例	FN (False Negative) 假负例
真实为负类	FP (False Positive) 假正例	TN (True Negative) 真负例

举个例子。你做个垃圾邮件分类器，模型说「这是垃圾邮件」，结果它确实是——这就是TP。模型说「这不是垃圾」，结果它还真是垃圾——这就是FN，漏掉了。模型说「这是垃圾」，结果是一封正常的工作邮件——FP，误报了。

下面这张图，把混淆矩阵和四个指标的关系画清楚了。

3.2 准确率：最直观，也最容易翻车

准确率的公式很简单：

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

说白了，就是「猜对的比例」。听起来很合理对吧？但问题来了——如果正负样本比例是99:1，你闭着眼睛全猜「负类」，准确率也有99%。

所以我的建议是：准确率只在正负样本均衡的时候用。如果数据不平衡，别拿它当主要指标。

3.3 精确率：宁缺毋滥

精确率问的是：模型说「是」的那些样本里，有多少是真的「是」？

Precision = TP / (TP + FP)

精确率高，意味着模型很少误报。你想想看，搜索引擎搜「苹果」，出来的全是水果苹果，没有苹果手机——这就是精确率高。

什么时候该追求高精确率？误报代价高的场景。比如垃圾邮件分类，把正常邮件误判成垃圾，用户可能错过重要消息。再比如医疗诊断，把健康人误判成病人，后续检查会浪费大量资源。

3.4 召回率：宁可错杀一千，不可放过一个

召回率问的是：所有真正的「是」里面，模型找出来了多少？

Recall = TP / (TP + FN)

召回率高，意味着模型很少漏掉目标。我在做金融风控的时候，对召回率特别敏感。为什么？因为漏掉一个欺诈交易，可能就是几十万的损失。

什么时候该追求高召回率？漏报代价高的场景。比如癌症筛查，宁可让健康人多做一次检查，也不能漏掉一个早期患者。再比如安防监控，宁可误报几次，也不能让可疑人员溜过去。

3.5 F1分数：精确率和召回率的调和平均

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分数就是干这个的。

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

注意，它用的是调和平均，不是算术平均。调和平均对较小值更敏感。举个例子：

• 精确率0.9，召回率0.1，算术平均是0.5，但F1只有0.18
• 精确率0.5，召回率0.5，算术平均也是0.5，但F1是0.5

你看，F1分数会狠狠惩罚「偏科」的模型。我个人习惯在模型对比时，优先看F1分数。它虽然不是万能的，但至少不会让你被单一指标忽悠。

3.6 多分类场景怎么办？

上面讲的都是二分类。那三分类、十分类呢？

思路其实很简单——把多分类拆成多个「一对多」的二分类。比如三个类别A、B、C，算A的精确率时，把A当正类，B和C当负类。然后有两种聚合方式：

聚合方式	计算方法	适用场景
宏平均 (Macro)	每个类别分别算指标，再取算术平均	各类别同等重要，不考虑样本量
微平均 (Micro)	把所有类别的TP、FP、FN加起来，统一算指标	样本量差异大，希望大类别主导
加权平均 (Weighted)	按每个类别的样本量加权平均	兼顾各类别，同时反映样本分布

举个例子。类别A有1000个样本，类别B只有10个。宏平均会把A和B的指标一视同仁，B的波动会严重影响结果。微平均则基本被A主导。加权平均介于两者之间。

3.7 实战：用Python算一遍

理论说完了，咱们动手。下面这段代码，用sklearn把今天讲的指标全算一遍。

from sklearn.metrics import confusion_matrix, accuracy_score
from sklearn.metrics import precision_score, recall_score, f1_score
from sklearn.metrics import classification_report

# 假设真实标签和预测结果
y_true = [1, 0, 1, 1, 0, 1, 0, 0, 1, 0]
y_pred = [1, 0, 1, 0, 0, 1, 1, 0, 1, 0]

# 混淆矩阵
cm = confusion_matrix(y_true, y_pred)
print("混淆矩阵：")
print(cm)

# 各项指标
acc = accuracy_score(y_true, y_pred)
prec = precision_score(y_true, y_pred)
rec = recall_score(y_true, y_pred)
f1 = f1_score(y_true, y_pred)

print(f"准确率: {acc:.3f}")
print(f"精确率: {prec:.3f}")
print(f"召回率: {rec:.3f}")
print(f"F1分数: {f1:.3f}")

# 一键生成完整报告
print("\n分类报告：")
print(classification_report(y_true, y_pred))

输出结果：

混淆矩阵：
[[3 1]
 [1 5]]
准确率: 0.800
精确率: 0.833
召回率: 0.833
F1分数: 0.833

分类报告：
              precision    recall  f1-score   support
           0       0.75      0.75      0.75         4
           1       0.83      0.83      0.83         6
    accuracy                           0.80        10
   macro avg       0.79      0.79      0.79        10
weighted avg       0.80      0.80      0.80        10

你看，classification_report一行代码，把精确率、召回率、F1、支持度全列出来了，还自动算了宏平均和加权平均。我平时做实验，基本就靠这个函数快速扫一眼模型表现。

3.8 选哪个指标？一张表说清楚

场景	推荐指标	原因
正负样本均衡	准确率	简单直观，够用
正负样本严重不均衡	精确率 + 召回率 + F1	准确率会骗人
误报代价高（宁缺毋滥）	精确率	减少假正例
漏报代价高（宁可错杀）	召回率	减少假负例
需要综合评估	F1分数	平衡精确率和召回率
多分类，各类别样本量差异大	加权平均F1	反映真实分布
多分类，各类别同等重要	宏平均F1	一视同仁

嗯，这一章的内容就到这儿。记住一句话：没有最好的指标，只有最合适的指标。下次拿到一个分类模型，别急着看准确率，先问问自己——这个场景下，漏报和误报，哪个代价更大？想清楚了，指标自然就选对了。