准确率高就代表模型好吗

拿到一个模型，第一反应往往是看准确率。但准确率是评估指标里最容易被误读的一个。它只回答「猜对了多少」，不回答「错在哪里」，也不回答「这个成绩是否值得骄傲」。

先看准确率到底在算什么

准确率的定义很直白：预测正确的样本数除以总样本数。问题出在，当各类别数量悬殊时，这个比值会被多数类主导。

比如有一份数据，其中 95% 的样本属于同一个类别。一个模型只要把所有样本都判成这一类，准确率就是 95%。它什么都没学到，却拿到了看起来很漂亮的分数。更糟的是，这种模型在真正需要识别的少数类上，表现为零。

所以看到准确率时，先问一个问题：如果各类别占比不均衡，这个数字还能反映真实能力吗？ 只要某类样本占比明显高于其他类，准确率就必须配合其他指标一起看。

用混淆矩阵拆开错误

要看清楚模型错在哪，最直接的办法是看混淆矩阵。它把预测结果和真实标签交叉排列，四个格子分别对应：

• 真阳性：本来是正类，模型也判为正类
• 假阳性：本来是负类，模型误判为正类
• 假阴性：本来是正类，模型误判为负类
• 真阴性：本来是负类，模型也判为负类

只看准确率，这四类错误是被混在一起算的。拆开之后才发现，有些模型宁可错杀（假阳性多），有些模型习惯漏放（假阴性多）。这两种错误的代价完全不同。在筛选场景里，漏掉一个目标通常比多报一个更严重；在告警场景里，误报太多会让使用者直接忽略告警。先确定哪种错误更不能接受，再去挑指标。

查准率和查全率是一对矛盾

从混淆矩阵可以推出两个更具体的指标。

查准率（precision）：模型判为正类的样本里，有多少真的是正类。它关心的是「报出来的准不准」。

查全率（recall）：所有真正的正类样本里，有多少被模型找出来了。它关心的是「该找的有没有漏」。

这两个指标通常此消彼长。把判定门槛调低，查全率上升，查准率下降；调高门槛则相反。所以不要单独看其中一个，而要看你更在意哪一端。

还有一个常用的综合指标是 F1 值，它是查准率和查全率的调和平均。当两类错误代价接近、又需要单一数字比较时，F1 比准确率稳健得多。但要注意，F1 隐含了查准和查全同等重要，如果实际业务里两者权重不同，就应该用带权重的版本，或者干脆分别报告。

和基线比，而不是和 100% 比

一个新模型好不好，不能只看它的绝对分数，要看它比基线强多少。

常见的基线有三类：

• 随机猜测：按类别比例随机分配
• 多数类猜测：全部判为占比最高的那一类
• 现有做法：当前的规则系统或上一版模型

如果一个模型的准确率只比多数类猜测高一点点，那它的价值就很有限。反过来，一个查全率不算高的模型，如果能把基线漏掉的目标多找出一批，可能就有实际意义。评估的核心是增量，不是绝对值。

报告的几条落地习惯

把上面的思路整理成可以固定执行的做法：

• 先看类别分布，分布不均衡就不要只报准确率
• 同时给出查准率、查全率和 F1，而不是挑一个好看的数字
• 附上混淆矩阵，让人能自己换算关心的指标
• 明确写出基线是什么，以及模型相对基线的变化
• 说明判定门槛取值，因为门槛一变，所有指标都会变
• 说明评估数据的来源和时间范围，避免拿训练时的分布当结论

指标本身没有对错，关键在于它是否对应你真正关心的问题。准确率高不高只是表象，混淆矩阵里那些具体的错误，才是决定这个模型能不能用的依据。