分类指标（Accuracy / Precision / Recall / F1）

分类指标是把「模型分得准不准」变成可比较数字的一套口径。同一个模型换一个指标，结论可能完全相反：垃圾邮件过滤宁可漏掉几封，也不愿把正常邮件判成垃圾；疾病筛查则相反，宁可多叫人复查，也不能漏诊。理解每个指标在惩罚哪一类错误，比背下公式更重要。它的价值在于把「模型能不能用」这种模糊判断，换成可以讨论、可以设定门槛的数字。

四个最常用的指标

• 准确率（Accuracy）：预测正确的样本占全部样本的比例，类别均衡时最直观，遇到极端不平衡的数据会严重虚高。
• 精确率（Precision）：判为正类的样本里有多少真的是正类，衡量误报的代价，误报代价高时优先看它。
• 召回率（Recall）：真正的正样本里有多少被找出来，衡量漏报的代价，漏掉一个后果严重时优先看它。
• F1 分数：精确率与召回率的调和平均，两者都要兼顾时用单个数字概括，任一项偏低都会把总分拉下来。

从混淆矩阵出发

四个指标都能从混淆矩阵推出来——判对的正类、判对的反类、误报、漏报。精确率只关心被判为正的那一列，召回率只关心真实为正的那一行，准确率看整张表，F1 把前两者的矛盾折中。多分类任务还要选平均方式：宏平均对每个类别一视同仁，稀有类别的权重被放大；微平均按样本数加权，结果更接近准确率。数据不平衡时先看各类的样本分布，再决定用哪种平均。另外，把哪一类定义成正类是人为选择，方向一换，精确率与召回率就会互换，报告结果时必须写明定义。

阈值、指标选择与报告口径

• 阈值改变指标：分类器输出的是分数，卡在哪个位置才算正类由阈值决定，调高阈值通常提高精确率、压低召回率。
• 曲线下面积：ROC-AUC 描述跨阈值的排序能力，类别较均衡时常用；PR-AUC 更关注正类，类别极不平衡时更能反映实际表现，两者的结论可能并不一致。
• 代价矩阵：把误报与漏报的代价写成权重，才能把业务判断翻译成可优化的目标。
• 选指标即选立场：指标定错，模型就会朝错误方向优化，上线后不要中途悄悄更换口径。
• 报告要带样本量：小样本上的高分波动很大，给出重复实验结果或波动范围，结论才站得住。

实践中更稳的做法是先固定一个与业务代价一致的主指标，其余指标只作诊断。报告结果时把数据分布、阈值与平均方式一并写清，否则同一个分数在不同口径下没有可比性。分类指标衡量的是判断结果，和回归任务的误差类指标不是一回事，不能互相替代。在新任务上先跑一版基线，再按业务代价挑主指标，比一开始就争论指标定义更有效率。