精确率与召回率 使用指南

输入真正、假正与假负，计算精确率、召回率与 F1 分数，适用于分类模型评估、阈值选择与不平衡数据诊断。

计算公式与原理

精确率 P = TP/(TP+FP)；召回率 R = TP/(TP+FN)；F1 = 2PR/(P+R)

P 与 R 天然此消彼长：放宽阈值召回升高但误报增多。F1 用调和平均综合两者，对较小的一方更敏感（接近 0 时 F1 也接近 0），适合作为单一权衡指标；若业务更看重漏检（如疾病筛查）应改用 F2 加权召回。

使用步骤

1. 填写「TP」。
2. 填写「FP」。
3. 填写「FN」。
4. 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

• 精确率 P=TP/(TP+FP) 衡量预测为正的纯度；召回 R=TP/(TP+FN) 衡量正类覆盖。
• F1=2PR/(P+R) 调和平均，二者冲突时综合评估。
• 阈值升高→精确率升、召回降；按业务代价选平衡点(如反欺诈重召回)。

算例参考

• 阈值权衡：某模型 TP=80,FP=20,FN=10。阈值低时 FP 多 P=80/100=80%、R=80/90=89%；抬高阈值 FP 降为 5 但 FN 升为 30 → P=80/85=94%、R=80/110=73%。

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。

什么时候更看重召回？

漏检代价高时(癌症筛查、欺诈拦截)，宁肯多报假阳性也要少漏，优先高召回；再用人工或二次模型过滤假阳性。

PR 曲线和 ROC 曲线怎么选？

类别不平衡时 PR 曲线更敏感、更贴切；ROC 在平衡数据下更稳。AUC-PR 对正类稀少场景更能反映性能。