模型准确率 使用指南

输入混淆矩阵，计算分类准确率及各类别正确率，适用于模型效果评估、错误分析与报告产出。

计算公式与原理

准确率 = (TP+TN)/(TP+TN+FP+FN)×100%

分类模型最直观的整体判对比例。它隐含"各类代价相同"的假设，当负样本占绝大多数时（如 99:1 的欺诈检测），恒判负类即可拿到 99% 准确率却毫无价值，此时必须配合精确率、召回率或 MCC 一起判读。

使用步骤

1. 填写「TP」。
2. 填写「TN」。
3. 填写「FP」。
4. 填写「FN」。
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

• 整体准确率=(正确预测数)/(总样本数)，按混淆矩阵 TP+TN 之和计算。
• 各类别正确率=该类别预测正确数/该类别样本数，揭示对少数类的表现。
• 类别不平衡时整体准确率易虚高，需结合宏/微平均与混淆矩阵解读。

算例参考

• 整体与各类别：三类各 100 样本，A 类对 90、B 类对 80、C 类对 60 → 整体准确率=(90+80+60)/300=76.7%；各类别 90%/80%/60%，可见模型在 C 类最弱。

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。

整体准确率高但某类很差是正常的吗？

在不平衡或多类场景中常见，说明模型偏向多数/易分样本。应报告各类别准确率与混淆矩阵，而非只看整体数字。

准确率和 F1 冲突听谁的？

看业务代价。若漏检/误判代价高(医疗、风控)，优先看精确率/召回/F1 与具体类别指标，而非整体准确率。