1. 准确率（Accuracy）

公式：Accuracy=TP+TN​/(TP+TN+FP+FN)

白话解释：所有预测里，模型 “说对了” 的比例。

• 分子：模型说对的次数（认对的猫 + 认对的狗）
• 分母：所有图片的总数（猫 + 狗的总数）

2. 精确率（Precision，查准率）

公式：Precision=TP​/(TP+FP)

白话解释：模型说 “这是猫” 的图片里，到底有多少真的是猫？

• 分子：模型说 “是猫” 里，真正的猫（TP）
• 分母：模型说 “是猫” 的所有图片（TP+FP，也就是真猫 + 被误判成猫的狗）

4. F1 Score

公式：F1=2×(Precision+Recall/Precision×Recall​)

精确率和召回率的 “综合平均分”，用来衡量模型既不 “漏判” 也不 “误判” 的能力。

• 精确率高，说明模型喊 “猫” 的时候很谨慎，很少把狗认成猫，但代价是很多猫会被漏掉（召回率低）
• 召回率高，说明模型宁可把狗认成猫，也要把所有猫都找出来，但代价是误判很多（精确率低）
• F1 就是这两个指标的调和平均，F1 越高，说明模型在两者之间的平衡越好。

• 精确率（Precision）：准不准？（说的对不对）
• 召回率（Recall）：全不全？（有没有漏）

P-R 曲线的全称是精确率 - 召回率曲线（Precision-Recall Curve），它的横轴是召回率（Recall），纵轴是精确率（Precision）。

• 曲线越靠近右上角越好
  • 右上角代表 “高精确率 + 高召回率”，说明模型既能准确识别猫，又不会漏掉猫。
  • 两条曲线对比时，完全包住另一条的曲线，对应的模型性能更好。
• AUC（曲线下面积）越大越好
  • P-R 曲线和坐标轴围成的面积，就是 AUC 值。
  • AUC 越接近 1，说明模型在各种阈值下的综合表现越好；AUC 越小，说明模型越差。

ROC 曲线的全称是受试者工作特征曲线（Receiver Operating Characteristic Curve），它的横轴和纵轴，是从混淆矩阵里衍生出来的两个新指标：

• TPR 越高越好：代表找猫的能力越强
• FPR 越低越好：代表把狗认错的概率越低

图像对比：

相关问题：

• 准确率为什么不适合不均衡样本？
• 答：当负样本远多于正样本时，模型只要全预测为负类，准确率也会很高，但完全没识别出正类，无法反映真实性能。
• 精确率和召回率为什么是矛盾的？
• 答：提高精确率，就要收紧判断标准（比如只认置信度极高的猫），会导致很多猫被漏掉，召回率下降；反之，降低标准提高召回率，会把更多狗误判成猫，精确率下降。
• P-R 曲线和 ROC 曲线的核心区别？
• 答：ROC 对样本不均衡不敏感，更适合评估模型整体区分正负样本的能力；P-R 更聚焦于正类，在正负样本数量差距大时，能更真实地反映模型性能。
• AUC 代表什么？
• 答：AUC 是曲线下面积，衡量模型把 “随机选到的正样本排在负样本前面” 的概率，越接近 1，模型区分正负样本的能力越强。

核心结论总结

1. ROC 曲线 / ROC-AUC 是 “整体视角”：它关注模型区分正负样本的通用能力，对样本不均衡不敏感，适合正负样本均衡的场景，但在不均衡数据上容易 “报喜不报忧”。
2. P-R 曲线 / P-R-AUC 是 “正类视角”：它聚焦于模型对少数类（正类）的识别性能，对样本不均衡非常敏感，能真实反映模型在 “找猫” 这件事上的表现，在不均衡数据上更有参考价值。
3. AUC 是量化指标，依附于曲线存在：ROC-AUC 和 P-R-AUC 的数值含义不同，不能直接对比；但它们的核心判断标准是一致的 ——AUC 越接近 1，曲线越靠近理想位置，模型性能越好。

• 当数据集正负样本均衡时，用 ROC 曲线 + ROC-AUC 评估模型整体性能
• 当数据集正负样本严重不均衡（比如目标检测、异常检测），优先看 P-R 曲线 + P-R-AUC，ROC-AUC 只能作为辅助参考