机器学习 · 扩展学习 · 2026-10-10

分类评估：准确率之外的取舍

理解混淆矩阵、精确率、召回率、阈值和业务成本。

概念笔记

分类模型输出的不是业务真理，而是带不确定性的分数或标签。准确率在类别不平衡时会误导：若 95% 样本为正常，模型全预测正常也有高准确率。混淆矩阵把真阳性、假阳性、真阴性、假阴性分开；精确率关注预测为正的可靠性，召回率关注实际为正被找回多少。阈值不是数学细节，而是业务决策：欺诈、医疗、推荐和告警的错误成本完全不同。

取舍与安全实验

纸面/本地安全实验：构造 100 条纸面样本，其中 10 条为正例。设模型找回 8 条正例，同时误报 12 条。手算精确率、召回率和 F1，再写业务解释：如果这是安全告警，误报会消耗人工；如果是严重风险筛查，漏报更危险。然后调高阈值，想象误报下降、漏报上升。用语言解释指标变化，比背公式更重要。

完成检查

• 能从混淆矩阵推导常见指标。
• 能说明类别不平衡下准确率的局限。
• 能把阈值选择和业务成本联系起来。