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。

模型准确率 - 计算分类准确率及各类别正确率

🧮 Model Accuracy Calculator

Compute overall accuracy and per-class accuracy from a confusion matrix, for model evaluation and error analysis reports.

📐 计算公式 / 原理

分类准确率（本页代码口径）：准确率=(真阳性 TP+真阴性 TN)÷(TP+TN+假阳性 FP+假阴性 FN)×100（%），保留 2 位小数。校验：无强校验，空值按 0 兜底；四项全 0 使分母为 0 时提示「部分结果无定义（分母为 0 或输入为空）」。判据：无固定分级，准确率 100% 表示混淆矩阵对角线外全为 0。

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。

📚 深度解析：模型准确率

💡 常见使用场景

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。

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。

❓ 常见问题（FAQ）

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。

Formula & Standard References

Item	Formula / Note	Source / Standard
Accuracy formula	accuracy is the trace of the confusion matrix divided by the total sample count	ISO/IEC 22989:2022 AI concepts
Per-class accuracy	per-class accuracy is the diagonal cell over the row total which is class recall	ISO/IEC TR 24028:2020 AI trustworthiness
Class imbalance	under class imbalance overall accuracy is dominated by the majority class	Sokolova & Lapalme 2009, Information Processing

模型准确率