目录

前言

一、混淆矩阵四大基础指标定义

简易记忆口诀

生活案例辅助理解

二、各评估指标计算公式与含义

1. 准确率 Accuracy

2. 精确率 Precision

3. 召回率 Recall

三、指标之间核心关系

四、指标选用场景总结

五、总结

---

前言

在分类模型训练、效果评估场景中，混淆矩阵衍生出的 TP、FP、FN、TN 四个基础指标，以及准确率、精确率、召回率，是评判模型好坏的核心依据。很多初学者容易混淆几组指标含义与计算公式，本文用通俗案例 + 公式推导，理清指标定义、相互关系与适用场景，轻松看懂分类评估标准。

一、混淆矩阵四大基础指标定义

以二分类任务为例，样本只分为正类、负类两类，结合模型预测结果与真实标签，划分四种结果：

1. TP（True Positive）真正例 真实为正，模型预测也为正，预测正确。
2. FP（False Positive）假正例 真实为负，模型误判为正，预测错误。
3. FN（False Negative）假负例 真实为正，模型误判为负，预测错误。
4. TN（True Negative）真负例 真实为负，模型预测也为负，预测正确。

简易记忆口诀

T = 预测正确，F = 预测错误； P = 判定为正样本，N = 判定为负样本。

生活案例辅助理解

疾病检测场景：患病 = 正样本，健康 = 负样本

• TP：确实患病，检测出患病
• FP：身体健康，误诊得病
• FN：身患疾病，漏诊健康
• TN：身体健康，检测无病

二、各评估指标计算公式与含义

基于 TP、FP、FN、TN 四个数值，推导常用三大评估指标。

1. 准确率 Accuracy

衡量整体样本预测正确的比例，反映模型全局预判能力。 公式： 

accuracy=(TP+TN)/(TP+TN+FP+FN)

适用：正负样本数量均衡的数据集。

2. 精确率 Precision

模型判定为正样本中，真正正确的占比，代表预测正结果的靠谱程度。 公式：

precision=TP/(TP+FP)

​ 适用：杜绝误判场景，如诈骗识别、病毒查杀。

3. 召回率 Recall

所有真实正样本中，被模型成功识别出来的比例，衡量查全能力。 公式：

recall=TP/(TP+FN)

适用：杜绝漏判场景，如疾病筛查、故障检测。

三、指标之间核心关系

1. 基础从属关系 准确率、精确率、召回率全部由 TP、FP、FN、TN 计算得出，四大基础值是所有分类指标的底层数据。

2. 精确率与召回率制衡关系 二者呈此消彼长的博弈关系：

• 提高判定正样本阈值，精确率上升、召回率下降；
• 降低判定阈值，召回率提升、精确率下降。

1. 准确率局限性 样本不均衡时，准确率无法客观评价模型。 例：990 个健康人、10 个病人，模型全部预判健康，准确率依旧极高，但完全失去检测意义，此时优先参考精确率、召回率。

2. 指标取值范围 所有指标数值区间均为[0,1]，数值越趋近 1，模型分类效果越好。

四、指标选用场景总结

1. 样本分布均衡、无偏向需求：优先看准确率；
2. 害怕误判、减少无效干扰：重点参考精确率；
3. 害怕漏判、保证全部筛查：优先看重召回率。

五、总结

TP、FP、FN、TN 是分类评估的基石，所有主流指标均依托这四个统计值计算而来。准确率评判整体效果，精确率把控预测正样本可信度，召回率衡量样本全覆盖能力。实际建模时，不能单一依靠某一个指标判定模型优劣，结合业务场景搭配指标综合评估，才能客观选出最优分类模型。