混淆矩阵、准确率、精确率、召回率与F值

评价[[机器学习的三种范式|监督学习]]模型的好坏，不能只看一个”准确率”数字就下结论。混淆矩阵把预测结果和真实标签交叉列成表，最直接的指标是准确率（预测正确的比例）；但当数据本身分布不均衡时，准确率会严重误导——100张图片里95张是狗，模型无脑全猜”狗”也能拿到95%准确率，却毫无实际价值。这时需要精确率（模型判定为正例的样本里，真正是正例的比例，衡量”判断有多可信”）和召回率（真实为正例的样本里，被模型成功识别出的比例，衡量”漏检了多少”）搭配使用，但二者往往此消彼长——想抓全所有正例（提高召回率）通常会牺牲判断的精准度，反之亦然，因此常用二者的调和平均数F值综合权衡。发散：这提醒任何单一评价指标都可能被数据分布”绑架”，脱离数据背景孤立地看一个百分比几乎总是危险的。