混淆矩阵：为什么 90% 的准确率可能是个巨大的陷阱

把模型准确率（Accuracy）当成唯一指标，在处理样本不均衡的数据集时简直是灾难。举个极端的医疗场景：如果 100 个人里只有 1 个病人，模型只要无脑预测所有人都是“健康”，准确率直接刷到 99%，但这个模型在医学上完全是废品，因为它漏掉了唯一的病人。

要真正评估大模型或分类器的实战效果，得盯着混淆矩阵里的这几个核心指标看：

• Precision（精确率）： 预测为正样本的人里，真正是正样本的比例。如果你追求的是“宁缺毋滥”，就得提高这个值。
• Recall（召回率）： 真正的正样本里，被你成功揪出来的比例。在医疗筛查或金融风控中，这个指标比准确率重要得多，因为漏诊/漏检的代价太高。
• F1 Score： 前两者的调和平均数。当你不知道该偏向精确率还是召回率，或者想用一个综合数值来衡量模型稳健性时，直接看 F1。

实际分析时，建议直接把预测结果和真实标签拉出来对比，手动算一下这个逻辑：

Precision = TP / (TP + FP)
Recall = TP / (TP + FN)
F1 = 2 * (Precision * Recall) / (Precision + Recall)

（注：TP=真阳性, FP=假阳性, FN=假阴性）

很多新手在做 AI Agent 的评估或者微调模型后，习惯性地只报一个 Accuracy，这在技术评审里很容易被质疑。建议在报告里直接贴出混淆矩阵的数值分布，这样一眼就能看出模型到底是倾向于“过度预测”还是“习惯性漏掉”。