指南

机器学习中的准确率 vs. 精确率 vs. 召回率

了解机器学习中的准确率 (Accuracy)、精确率 (Precision) 和召回率 (Recall)。探索混淆矩阵、F1 分数以及如何使用这些重要的评估指标。

ABAbirami Vina6 min readAugust 20, 2025

机器学习（ML）是人工智能（AI）的一个分支，专注于创建从数据中学习的系统。它在 AI 的许多其他领域中起着核心作用，包括计算机视觉（机器在此领域中解释图像）以及自然语言处理（机器在此领域中理解和生成人类语言）。

通常，此类 AI 模型使用深度学习技术根据数据进行预测。虽然这些系统非常有效，但它们并不总是能得出正确的预测。有些输出可能很准确，而另一些则可能偏离目标。

了解这些错误是如何发生的，是评估模型性能好坏的关键部分。为了衡量性能，我们可以使用模型评估指标。

常见的评估指标包括准确率（整体正确性）、精确率（正向预测的可靠性）和召回率（模型识别实际正例的能力）。它们乍一看可能相似，但每一个都侧重于模型行为的不同方面。

在本文中，我们将深入探讨这些 AI 模型性能指标。我们还将探讨它们之间的相互关系，以及如何为你的用例选择正确的指标。让我们开始吧！

模型评估指标在机器学习中至关重要#

机器学习模型一开始看起来可能表现得很好。但如果没有正确的评估指标，就很难理解其结果的准确性。这些指标为模型评估提供了结构，并有助于回答一个关键问题：对于给定的任务，模型的预测是否有用且可靠？

准确率、精确率和召回率等指标为 AI 开发者提供了一种清晰的方法来衡量模型的运行效果。例如，在比较不同模型时，这些指标可以让你看出哪个模型在特定任务上表现最好。它们有助于评估性能，并指导你选择最符合 AI 项目目标的那款模型。

Model training and evaluation workflow

图 1. 模型训练与评估工作流（来源）

这些指标还使性能比较更加客观。它们不仅依靠猜测或不完整的观察，还提供了关于模型在不同情况下表现的可量化见解。通过这种方式，它们突显了在每种背景下哪些性能方面最为重要。

例如，指标的选择通常取决于应用场景。在AI 医疗应用中，召回率非常重要，因为其目标是尽可能多地识别出阳性病例，即使某些阴性病例被错误标记。相比之下，电子邮件垃圾邮件过滤器可能会优先考虑精确率，以避免将合法邮件错误标记为垃圾邮件。

混淆矩阵：分类指标的基础#

混淆矩阵是一个 2x2 的表格，对于评估 AI 模型至关重要。它通过将实际结果与预测结果（模型给出的答案）进行比较，将预测分为四个类别。

这种比较提供了模型性能的详细视图。它构成了诸如精确率和召回率等关键评估指标的基础，这些指标直接根据矩阵中的数值计算得出。

表格的行代表实际类别，列代表预测类别。每个单元格显示该类别结果的计数。简单来说，它展示了有多少预测是正确的，以及模型犯了哪些类型的错误。

当数据不平衡时，即某些类别的例子比其他类别多得多时，混淆矩阵特别有用。当不同类型的错误产生不同的后果（成本）时，它也很有帮助。

例如，在欺诈检测中，捕捉欺诈活动至关重要，但错误地标记真实交易也会带来麻烦。该矩阵清晰地表明了每种类型的错误发生的频率。

混淆矩阵的要素#

以下是混淆矩阵中不同要素的概述：

**真正例（TP）：**当模型正确预测出一个正样本时，它被记录为真正例。例如，一个计算机视觉模型正确地分类了图像中的车辆。
真负例 (TN)： 当模型正确识别出负实例时，就会出现真负例。例如，电子邮件分类器将一条常规邮件标记为非垃圾邮件。
假正例 (FP)： 当模型错误地预测一个实际上为负的实例为正时，会生成假正例。也被称为 I 类错误，当欺诈检测系统将一笔合法交易标记为欺诈时，就可能发生这种情况。
假负例 (FN)： 当模型未能检测到正例并错误地将其预测为负时，会被记录为假负例。也被称为 II 类错误，这可能发生在诊断工具漏诊了实际患病的患者时。

The elements of a confusion matrix

图 2. 混淆矩阵的要素（来源）

混淆矩阵的视觉表示与解读#

混淆矩阵以网格格式显示。垂直轴显示实际类别，水平轴显示预测类别。正确的预测出现在对角线上，代表真正例和真负例。

错误则落在对角线之外，涵盖了假正例和假负例。这种结构使得识别优点和缺点变得简单。

什么是机器学习中的准确率 (Accuracy)？#

准确率是评估机器学习模型性能最广泛使用的指标之一。它衡量在所有类别中预测正确的频率。换句话说，它回答了一个简单的问题：在 AI 模型做出的所有预测中，有多少是正确的？

准确率的公式是正确预测的数量（包括真正例和真负例）除以总预测数。准确率计算直观且易于理解，这使其成为模型评估的常见起点。

通常，在处理平衡数据集时，准确率是可靠的。然而，在类别不平衡的数据集中，准确率往往会产生误导。一个总是预测多数类别的模型可能会获得高准确率，但却无法检测到其他少数类别。

例如，在一个只有少数图片包含行人的图片数据集中，一个对每张图都预测“无行人”的模型可能仍然会获得很高的准确率，但却完全无法检测到真正的行人。

这是因为准确率本身并没有显示模型犯了什么样的错误，也没有显示这些错误发生的频率。这就是为什么查看精确率和召回率等指标以充分了解 AI 模型的运行情况非常重要。

深入了解精确率 (Precision)：最大限度减少误报#

精确率是一个关键的评估指标，用于衡量模型正预测的准确性。它回答了这个问题：在所有被预测为正例的样本中，有多少是正确的？

精确率的公式是真正例的数量除以真正例和假正例之和。当错误的正向预测会带来巨大损失时，它显得尤为重要。

Comparing accuracy and precision

图 3. 准确率与精确率的比较。（来源）

例如，在欺诈检测中，一个低精确率的模型可能会将许多合法交易标记为欺诈，给用户和支持团队造成不必要的麻烦。一个高精确率的模型通过确保被标记的交易更有可能是真正的欺诈来降低这种风险。

虽然高精确率是好事，但过度关注它的模型可能会变得非常挑剔，从而漏掉真正的正例。这就是为什么通常会同时检查精确率和召回率以保持性能平衡。

什么是召回率 (Recall)？#

召回率是一个用于衡量模型识别实际正例能力的指标。它也被称为灵敏度或真正例率，它回答了这个问题：在所有实际正例中，模型正确检测出了多少？

召回率的公式是真正例的数量除以真正例和假负例之和。高召回率得分表明模型正在捕获数据中绝大多数的真实正例。

召回率在医疗保健等行业至关重要，因为无法检测到某种状况会延误治疗并将患者置于危险之中。即使有些阴性病例被错误地标记出来，识别出所有真实病例仍然是最高优先级。

然而，仅关注召回率的模型可能会标记出太多的假正例，这会降低精确率并损害模型的整体效率。平衡召回率和精确率对于可靠的AI 模型性能至关重要。

平衡的艺术：精确率与召回率的权衡#

精确率和召回率往往朝着相反的方向发展。当一个指标提高时，另一个可能会下降。这种权衡是机器学习任务中常见的挑战。

高精确率模型仅在确定时才将某事物预测为正。这减少了误报，但可能会错过真正的正例，从而降低召回率。试图捕捉每一个正例的模型提高了召回率，但会面临更多误报的风险，从而降低了精确率。

当你调整模型的决策阈值时，这种权衡会变得更加清晰。阈值是系统用来将分数或概率转化为行动或标签的分界点。降低阈值会使系统更频繁地采取正向行动，这可以提高召回率，但可能会降低精确率。提高阈值则有相反的效果：模型预测的正例减少，精确率提高，但召回率通常会下降。

假设你正在进行垃圾邮件检测。模型必须平衡让垃圾邮件进入收件箱的风险与阻止真实邮件的风险。严格的过滤器可能仍然会漏掉一些垃圾邮件，而更宽松的过滤器可能会意外阻止合法邮件。正确的平衡取决于用例和每种错误类型的成本。

精确率-召回率曲线的意义#

精确率-召回率曲线（PR 曲线）显示了精确率和召回率如何随着模型决策阈值的改变而变化。每个点代表了两者之间的一种权衡。PR 曲线对于不平衡数据集特别有用，在这种数据集中，某一类别的出现频率要低得多。

它还比接收者操作特征（ROC）曲线提供更多有意义的洞察，后者同样展示了模型在不同决策阈值下区分正负样本的能力。同时具备高精确率和高召回率的模型将拥有一个停留在右上角附近的精确率-召回率曲线，这通常是理想的状态。

引入 F1-score：用于平衡的组合指标#

F1-score提供了一个单一的值来捕捉精确率和召回率之间的平衡。F1-score 的计算方法是精确率与召回率乘积的两倍，除以精确率和召回率之和。当假正例和假负例都很重要时，或者在处理不平衡数据集或需要对模型性能进行平衡视图时，它非常有用。

Calculating F1-score using precision and recall

Fig 4. 使用精确率和召回率计算 F1-score（来源）

超越准确率、精确率和召回率#

虽然准确率、精确率和召回率是必不可少的，但其他指标根据模型类型和数据集特征提供了额外的见解。

以下是一些常用的指标，有助于评估性能的不同方面：

特异度 (Specificity)： 它衡量模型识别实际负例的程度。当避免假正例非常重要时，它很有用。
AUC**：**AUC 即曲线下面积，给出一个单一的分数，反映了模型区分不同类别的能力。
**对数损失（Log loss）：**对数损失用于衡量模型在进行预测时的自信程度，并对高置信度下的错误预测给予更多的惩罚。这里，置信度指的是模型对其预测确信的程度。
多标签评估： 在多标签任务中，指标会在各个标签上进行平均，以反映整体模型性能。