精确率与召回率：Precision、Recall、F1-score 计算与应用

好，咱们进入第三节。前两节讲了混淆矩阵——那是所有分类指标的祖宗。现在要聊的 Precision、Recall 和 F1-score，就是从混淆矩阵里蒸馏出来的三个核心指标。我刚开始做 NLP 时，老板让我看模型效果，用准确率（Accuracy）就够了。但后来遇到样本极不均衡的 case——比如信用卡欺诈检测，正样本才 0.1%。这时候 Accuracy 基本没用，必须靠 Precision 和 Recall 来把脉。

精确率（Precision）—— 宁缺毋滥

Precision 回答的是：“你模型说是正例的那些东西，到底有多少是真货？”

Precision = TP / (TP + FP)

举个例子：垃圾邮件过滤。模型标记了 100 封垃圾邮件，其中 90 封是真垃圾，10 封是普通邮件被误杀。那么 Precision = 90 / 100 = 0.9。

什么时候看重它？

• 假阳性代价很高的场景。比如自动驾驶判“前方有障碍物”，宁可漏判也别误判。
• 推荐系统：给用户推一堆烂商品，用户就跑了。

召回率（Recall）—— 宁可错杀一千

Recall 回答的是：“模型中所有真的正例，你捞回来了多少？”

Recall = TP / (TP + FN)

还是邮件过滤：训练集里有 200 封真垃圾邮件，模型只识别出 70 封，剩下 130 封混进了收件箱。那么 Recall = 70 / 200 = 0.35。

什么时候抓 Recall？

• 漏报代价极高的场景。比如癌症筛查、金融反欺诈——宁可先拉警报，再人工复核。
• 安全监控：倒车雷达不能漏掉一个行人。

指标	关注点	典型场景
Precision	预测为正例的样本里有多少是真的	搜索结果质量、推荐准确率
Recall	真实正例被找回来的比例	疾病筛查、欺诈检测
F1-score	Precision 和 Recall 的调和平均	两者都要均衡的场景

F1-score —— 和稀泥的艺术

Precision 和 Recall 通常是此消彼长的。你提高 Recall，可能会把一堆 FP 也捞进来，Precision 就降了。反之亦然。这时候需要个综合指标——F1-score。

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

其实就是两者的调和平均。注意它更偏向较小的那个值。比如说 Precision=0.9, Recall=0.1，算下来 F1≈0.18，完美反映了模型偏科严重。

手动算一遍，比看一百遍强

给你一个真实的混淆矩阵，咱们一块儿算。

混淆矩阵（二分类，阈值 0.5）：

             预测正类    预测负类
真实正类       120        30
真实负类        20        230

TP=120, FN=30, FP=20, TN=230

Precision = 120 / (120 + 20) = 120 / 140 ≈ 0.857
Recall    = 120 / (120 + 30) = 120 / 150 = 0.8
F1        = 2 * (0.857 * 0.8) / (0.857 + 0.8) = 1.3712 / 1.657 ≈ 0.828

你看，Precision 和 Recall 本来差 0.057，F1 落在中间偏 Recall 一边——因为调和平均对较小的值更敏感。

代码里怎么算？

用 scikit-learn 一行搞定。但我建议你至少手写一次，理解公式。

from sklearn.metrics import precision_score, recall_score, f1_score

y_true = [1, 0, 1, 1, 0, 0]
y_pred = [1, 0, 0, 1, 0, 1]

print("Precision:", precision_score(y_true, y_pred))
print("Recall:", recall_score(y_true, y_pred))
print("F1:", f1_score(y_true, y_pred))

输出类似：Precision=0.6667, Recall=0.6667, F1=0.6667。这个例子正负例均衡，所以三个值相等。实际中很少见。

SVG 图解：从混淆矩阵到三个指标

下面这张图把三者关系串起来了。你盯着看一分钟，逻辑就很清晰了。

怎么选？说几个场景你就懂了

场景一：搜索引擎

• 用户搜“苹果”，你返回了 iPhone、苹果电脑、苹果水果。如果混进去一个“苹果醋”，用户觉得不精准。所以 Precision 是关键。
• Recall 也重要吗？如果只召回 30% 的相关页面，用户搜不到想要的东西。但搜索引擎通常会先保证 Precision 够高，再通过大量结果页弥补 Recall。

场景二：反欺诈

• 银行风控系统。漏过一笔欺诈交易可能损失几十万。所以 Recall 得极高（比如 99%），哪怕误判很多正常交易让人工复核，也划算。此时 Precision 可以低。

场景三：通用文本分类

• 比如情感分析，正负样本差不多。这时候用 F1 最稳妥，既能反映模型是否偏科，又不受样本量影响。