模型评估核心指标：准确率、精确率、召回率

模型评估核心指标：准确率、精确率、召回率

模型评估中的“准确率”、“精确率”和“召回率”是衡量分类模型性能的三大核心指标。它们都源于一个基础工具—— 混淆矩阵 (Confusion Matrix) ，通过分析模型在测试集上的预测结果与真实结果的对比，来量化模型的优劣。

混淆矩阵：一切评估指标的基石

在深入理解三大指标之前，我们首先需要掌握 混淆矩阵 (Confusion Matrix) 。它是一个表格，用于展示模型在分类任务中的预测结果与实际结果的对比情况。在二分类问题中，它通常是一个2x2的表格，包含四个关键组成部分：
TP (True Positive, 真正例) ：模型预测为“正例”，且实际也是“正例”。例如，模型预测某人患有疾病，且该人确实患病。
FP (False Positive, 假正例) ：模型预测为“正例”，但实际是“负例”。例如，模型预测某人患有疾病，但该人实际健康。
TN (True Negative, 真负例) ：模型预测为“负例”，且实际也是“负例”。例如，模型预测某人健康，且该人确实健康。
FN (False Negative, 假负例) ：模型预测为“负例”，但实际是“正例”。例如，模型预测某人健康，但该人实际患病。

三大核心指标详解

1. 准确率 (Accuracy)
   准确率衡量的是模型所有预测中，预测正确的比例。它回答了“模型预测的总体正确率有多高？”这个问题。