准确率、精确率、召回率、F1：四个核心指标

分类模型的评估，说白了就是回答一个问题：模型猜得对不对？

但「对不对」这件事，在不同场景下，衡量方式完全不一样。你想想看，癌症筛查和垃圾邮件过滤，关注的能是一回事吗？

我刚开始做模型评估时，就犯过一个低级错误。只看准确率，模型报告显示 99%，我高兴坏了。结果上线一跑，全是负样本，模型压根没学到东西。后来我明白了：有些场景下，你得拆开来看，到底哪些错了，哪些对了。

今天我们就来拆解这四个最基础的分类指标：准确率（Accuracy）、精确率（Precision）、召回率（Recall） 和 F1分数（F1-Score）。

一点背景：混淆矩阵是基础

要说清楚这几个指标，得先提一下混淆矩阵。这个矩阵记录了两件事：模型预测的结果，和真实的结果。

说白了，就是画个 2x2 的格子，看模型错在哪、对在哪。

• TP（真阳性）：模型说是正例，实际也是正例。猜对了。
• TN（真阴性）：模型说是负例，实际也是负例。也猜对了。
• FP（假阳性）：模型说是正例，实际是负例。误报。
• FN（假阴性）：模型说是负例，实际是正例。漏报。

我习惯把 FP 叫「虚惊一场」，把 FN 叫「放虎归山」。这两种错误，代价完全不一样。

准确率（Accuracy）：最直观，但最容易被骗

公式很简单：

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

准确率衡量的是「猜对了多少」。看起来无脑好用，对吧？

但它有一个致命的陷阱：类别不平衡。

场景	适用性	举个例子
类别均衡	✅ 适用	手写数字识别，10 类样本数量差不多
类别严重不平衡	❌ 不适用	欺诈检测、罕见病诊断

精确率（Precision）与召回率（Recall）：一个怕误报，一个怕漏报

这两个指标，常常放在一起说。

精确率公式：

Precision = TP / (TP + FP)

精确率回答的是：「模型说它是正例，有多大概率是真的？」

说白了，就是看你的模型是不是经常「瞎说」。FP 越少，精确率越高。

召回率公式：

Recall = TP / (TP + FN)

召回率回答的是：「所有真正的正例，模型找出来了多少？」

它关注的是有没有「漏网之鱼」。FN 越少，召回率越高。

我举个例子你就明白了。假设一个模型在垃圾邮件分类上：

• 精确率高：模型标记为「垃圾」的邮件，基本全是垃圾。但可能有些垃圾邮件被放过去了。（召回率低）
• 召回率高：模型几乎把所有的垃圾邮件都抓出来了。但是过程中把几封正常的邮件也误杀了。（精确率低）

你看，这两个指标就像跷跷板。你很难同时让两者都高。所以需要根据业务场景选。

F1分数：给精确率和召回率一个和事佬

那如果我想同时兼顾精确率和召回率，怎么办？

这时候 F1 分数就出场了。它是两者的调和平均数。

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

为什么不用算术平均数？（比如 (P+R)/2）

因为调和平均数对小的数更敏感。举个例子：

• P = 1.0, R = 0.0 → 算术平均数 = 0.5，但 F1 = 0.0
• F1 会告诉你：有一个指标是 0，那么整体就是 0。这才是真实水平。

F1 分数适合的场景：

F1 还有变体，比如 Fβ 分数。β 用来调整精确率和召回率的权重。β > 1 时更重视召回率，β < 1 时更重视精确率。

Fβ = (1 + β²) * (P * R) / (β² * P + R)

嗯，这个在实际工作中用得不多。大部分时候，F1 就够了。

四者对比总结

指标	公式核心	关注点	典型场景
准确率	(TP+TN)/总数	整体猜对的概率	类别均衡、通用分类
精确率	TP/(TP+FP)	误报有多严重	垃圾邮件过滤、推荐系统
召回率	TP/(TP+FN)	漏报有多严重	疾病筛查、欺诈检测
F1分数	2PR/(P+R)	精确率和召回率的权衡	模型对比、不确定优先优化方向时

最后说一句：这些指标不是选一个就行。实际项目中，我通常会把准确率、精确率、召回率、F1 全都打印出来，放在一张表格里看。不同的业务阶段，侧重点会变。

就拿我做过的一个风控模型来说：

• 上线初期，业务方说「宁愿错杀一千，不能放过一个」，我就主推召回率。
• 稳定运行三个月后，误报太多，客服受不了了，我就开始优化精确率。
• 到了最终验收，我们还是用 F1 来定版。

评估指标从来不是死的，它是你跟业务方沟通的语言。懂了这几个，就能跟别人聊到一块去了。