仅靠猜测，模型的准确率就能到 99%，这太匪夷所思！

个人原创，一字一字敲的。

判断一个分类模型好坏的标准至关重要，问题是采用何种判断方法。本文浅谈一下模型评估方法的重要性，希望对初学者有一定帮助。

准确率

表面上看这是一个简单的问题，如果分类的准确率越高，就断言分类模型越好。

据此评价方法，对于二分类问题，评价分类算法准确率的计算公式为：

其中，P 全称 Positive; N 全称 Negative; T 全称 True, 表示预测正确；F 全称 False, 表示预测错误。

如果正负样本个数较为均衡，使用以上评价公式是没有问题的。

实际中，我们要分类的问题大都满足正负样本个数均衡吗？

如果一下能举出很多反例，大概率就可以说正负样本不均衡的情况还是很多。银行卡信贷欺诈判断、交通违规判断、考试作弊判断、垃圾邮件检测、涉黄电影判断、恶性肿瘤检测...

并且下意识告诉我们，这些分类任务的数据集中正负样本个数往往是不均衡的，欺诈的交易总归占据少数，交通违规、考试作弊大概率也如此...

如果正负样本个数比例真是这样不均衡，使用以上公式评价问题就出现了。比如 100 个肿瘤检测报告中，只有 1 个是正类别(确定为肿瘤)，对于这类数据集，我们只要写一行代码，预测所有都为负类别(即确定不是肿瘤)，则：

你看，我们什么都没做，仅靠投机取巧，模型预测的准确率就达到 99%，这太匪夷所思！

精确率+召回率

显然，仅仅使用准确率评价模型好坏，失败了。原因在于正负样本个数的不均衡，导致评价出现问题。

所以，需要设计出更加科学健全的评价指标。于是就有了 精确率+召回率的评价体系。

其中，精确率 的计算公式为：

公式意义：被预测为正类别的样本中，确实为正类别的比率。

召回率 的计算公式为：

公式意义：在所有正类别样本中，能够正确的识别为正类别的比率。

按照此评价体系，如果还是纯碎靠猜测，即预测 100 个肿瘤全为负类别，则：

这种极端情况，我们没有预测出正样本，所以精确率公式失去意义。下面考察召回率：

等于 0，所以判定纯碎靠猜是不可取的，所以精确率+召回率的评价体系更优于仅凭准确率的方法。

希望此篇文章能帮助大家通俗易懂的理解三个概念：准确率、精确率、召回率，以及各自存在的价值。