别被 90% 的模型准确率给骗了，样本不均衡时的评估陷阱怎么破
想象一个极端的医疗筛查场景：在 100 个受检样本中，只有 1 个是真正的病人。如果模型采取最偷懒的策略，直接无脑预测所有人都是“健康”，那么它的准确率能高达 99%。从数字上看，这简直是顶尖模型，但在实际医学应用中，这个模型完全是废品，因为它漏掉了唯一的病人，失去了筛查的意义。这就是典型的“准确率陷阱”。
要真正看透一个分类器或大模型的实战效果，不能只看总分，必须把目光移到混淆矩阵（Confusion Matrix）的内部细节上。在实际分析中，我们需要关注三个核心指标，它们决定了模型在不同业务场景下的“性格”。
首先是 Precision（精确率），计算公式是 $\text{TP} / (\text{TP} + \text{FP})$。简单来说，就是在所有被模型预测为“正样本”的结果中，真正命中正样本的比例。如果你追求的是“宁缺毋滥”，比如在精准推送广告或高价值客户挖掘时，你需要极高的精确率，因为误报（False Positive）会增加不必要的成本。
其次是 Recall（召回率），计算公式是 $\text{TP} / (\text{TP} + \text{FN})$。它衡量的是在所有真正的正样本中，模型成功揪出来的比例。在医疗筛查、金融风控或安全预警中，召回率的重要性远超准确率。因为在这些领域，漏诊或漏检（False Negative）的代价极高，宁可误报，绝对不能漏掉。
当你面对一个既需要保证精确度，又不能丢失太多样本的复杂场景时，建议直接查看 F1 Score。它是前两者的调和平均数，计算公式为 $2 \times (\text{Precision} \times \text{Recall}) / (\text{Precision} + \text{Recall})$。F1 Score 能够有效平衡精确率和召回率，当你需要一个综合数值来衡量模型稳健性时，它比 Accuracy 更有说服力。
在实际的技术评审或模型迭代中，我建议不要只在 PPT 里写一个百分比，而是直接贴出混淆矩阵的数值分布表（包含 TP, FP, FN, TN 四个象限）。通过观察数值分布，你可以一眼看出模型是倾向于“过度预测”（FP 过高）还是“习惯性漏掉”（FN 过高）。
例如，如果你在微调一个意图识别模型，发现 Accuracy 是 92%，但混淆矩阵显示 FN 数量远超 FP，这意味着模型在面对某些关键指令时经常“装傻”没识别出来。这时候你应该优化的是召回率，而不是盲目追求更高的整体准确率。只有深入到混淆矩阵的细节中，才能真正指导模型优化方向，而不是在虚高的数字中自我安慰。
