分类准确率计算器

分类准确率衡量模型正确分类的预测占全部预测的比例。计算时将真正例和真负例相加，再除以混淆矩阵中的总样本数。准确率直观易懂，但通常不应单独解读。当类别不平衡时，模型即使几乎总是预测为多数类，也可能获得很高的准确率，却无法识别最重要的样本。 因此，本计算器提供五个互补的二分类指标。精确率是预测为正例的样本中实际为正例的比例，计算式为TP除以TP加FP。召回率也称敏感度，表示实际正例中被模型找出的比例，计算式为TP除以TP加FN。特异度衡量模型识别负例的能力，即TN除以TN加FP。F1分数是精确率和召回率的调和平均数，鼓励两者兼顾，而不是牺牲其中一个来提高另一个。 首先将评估结果整理成混淆矩阵。真正例是被正确预测为正例的正样本；假正例是被错误预测为正例的负样本；真负例是被正确预测为负例的负样本；假负例是被分类器漏掉的正样本。四项都必须是来自同一测试集、同一决策阈值的计数。混用百分比、训练样本或不同阈值下的结果，会使指标失效。 指标的重要性取决于应用场景。医学筛查中，漏诊可能代价高昂，因此召回率往往更受关注。垃圾邮件过滤或自动违规处置中，误判可能带来较大损失，因此精确率很重要。需要正确排除负例时，特异度很有用。在认定某个模型更优之前，应在同一数据集上比较指标、查看类别占比，并考虑置信区间。本计算器提供确定性的点估计，方便快速分析、记录和阈值比较，但不能替代在有代表性的数据上进行验证。