分类准确率评估 使用指南

输入混淆矩阵的 TP/FP/FN/TN，计算准确率、精确率、召回率与 F1，用于二分类机器学习模型效果评估与对比。

计算公式与原理

准确率 = (TP+TN)/(TP+FP+FN+TN)×100%；精确率 = TP/(TP+FP)×100%；召回率 = TP/(TP+FN)×100%；F1 = 2TP/(2TP+FP+FN)×100%

由混淆矩阵四类计数推导：准确率衡量整体判对比例，精确率关注"报为正的有多少真"，召回率关注"真正例被找出多少"，F1 是二者调和平均。样本极度不平衡时准确率会失真，应改看 F1 或 PR 曲线下的面积。

使用步骤

1. 填写「真正例 TP」。
2. 填写「假正例 FP」。
3. 填写「假反例 FN」。
4. 填写「真反例 TN」。
5. 结果区会即时更新；可一键复制结果用于记录或汇报。

典型使用场景

• 准确率 Accuracy=(TP+TN)/(TP+TN+FP+FN)，衡量整体正确比例。
• 精确率 P=TP/(TP+FP) 关注预测为正的纯度；召回 R=TP/(TP+FN) 关注正类覆盖。
• F1=2PR/(P+R) 在类别不平衡时比准确率更可靠。

算例参考

• 二分类四指标：TP=70, FP=10, FN=20, TN=100：准确率=(70+100)/200=85%，P=70/80=87.5%，R=70/90=77.8%，F1=2×0.875×0.778/(0.875+0.778)≈82.4%。

注意事项

结果为按上述公式得到的理论估算值，实际表现受数据分布、实现细节与运行环境影响，落地决策请以实测为准；本工具纯前端运行，输入不上传服务器。

准确率 85% 算好吗？

取决于基线。若正类仅占 10%，全猜负类就有 90% 准确率却毫无正类识别力；此时应看精确率/召回/F1 与 PR 曲线。

多分类怎么算精确率？

常用宏平均(各类指标等权平均，看重小类)或微平均(汇总所有 TP/FP/FN，等价于整体准确率)，按业务对小类敏感度选择。