模型评估基础：准确率、召回率与 F1

本文最后更新于 6 个月前，文中所描述的信息可能已发生改变。

模型训练完之后，不能只看它“能不能跑”。 更重要的是判断它预测得好不好，以及好在哪里、差在哪里。

1. 准确率 ​

准确率是最直观的指标：

准确率 = 预测正确的样本数 / 总样本数

如果 100 个样本里预测对 90 个，准确率就是 90%。

但准确率并不总可靠。

比如欺诈检测中，10000 笔交易里只有 10 笔欺诈。

模型全部预测为正常，也有 99.9% 的准确率，但它一个欺诈都没抓出来。

2. 精确率 ​

精确率关注的是：

被模型预测为正类的样本里，有多少是真的正类？

公式：

精确率 = TP / (TP + FP)

比如模型判断 100 条评论是负面，其中 80 条真的是负面，精确率就是 80%。

精确率高，说明模型不太乱报。

3. 召回率 ​

召回率关注的是：

所有真实正类里，有多少被模型找出来了？

公式：

召回率 = TP / (TP + FN)

召回率高，说明模型漏掉的少。

在疾病筛查、风控识别等场景中，召回率往往很重要，因为漏掉一个风险样本代价可能很高。

4. F1 值 ​

F1 是精确率和召回率的综合指标。

F1 = 2 * 精确率 * 召回率 / (精确率 + 召回率)

当精确率和召回率需要平衡时，可以看 F1。

但 F1 也不是万能的，最终还是要结合业务场景。

5. 小结 ​

可以这样记：

• 准确率：整体对了多少。
• 精确率：报出来的正类准不准。
• 召回率：真实正类找全没有。
• F1：精确率和召回率的平衡。

模型评估不是只选一个最高数字，而是根据业务风险选择合适指标。