用西瓜搞懂准确率、精确率和召回率

三个指标的区别，主要在分母看的是哪堆西瓜：准确率看全部西瓜，精确率看模型挑出的好瓜，召回率看真正的好瓜。

先把「好瓜」定成正类

假设有 100 个西瓜，人工切开后确认：

• 20 个是好瓜
• 80 个不是好瓜

模型先看外观，再把它们分成「好瓜」和「非好瓜」。结果如下：

四个缩写不用死背。正、负说模型判成哪一类；真、假说这个判断对不对。

• TP：好瓜被模型挑出来了
• FP：不是好瓜，却被模型挑成好瓜
• FN：是好瓜，却被模型漏掉了
• TN：不是好瓜，也被模型正确排除了

准确率看全部西瓜

准确率（Accuracy）回答：100 个西瓜里，模型一共判断对了多少个？

模型正确挑出 15 个好瓜，又正确排除 70 个非好瓜，所以：

准确率给的是全局成绩。它把「挑对好瓜」和「排对非好瓜」都算作正确。

精确率看模型挑出的好瓜

精确率（Precision，也叫查准率）回答：模型说是好瓜的那些西瓜里，真好瓜占多少？

模型一共挑出 25 个「好瓜」，其中 15 个是真的：

精确率高，表示模型的「好瓜」招牌比较可信。把模型挑出的瓜装进高价礼盒时，这个指标很重要——误放一个坏瓜，代价就不小。

召回率看真正的好瓜

召回率（Recall，也叫查全率）回答：所有真正的好瓜里，模型找到了多少？

实际有 20 个好瓜，模型找到了 15 个：

召回率高，表示漏掉的好瓜少。要先尽量找全候选瓜，再交给人工复检时，召回率通常比精确率更重要。

85% 准确率不等于模型很会挑好瓜

这个模型的准确率有 85%，精确率却只有 60%。原因就在 80 个非好瓜上：模型正确排除了其中 70 个，它们把准确率抬高了；但模型挑出的 25 个「好瓜」里，有 10 个其实不是好瓜。

类别越不均衡，准确率越容易让人误判。假如 100 个瓜里只有 5 个坏瓜，一个模型把所有瓜都说成好瓜，准确率仍有 95%，但它一个坏瓜也没找出来。若把「坏瓜」定为正类，它的召回率就是 0%。

三句话记住

先圈出分母，就不容易混：全部、模型挑出、实际拥有。