预测为目标的正确比例为何不等于找全目标的比例:用十张虚构卡片分开精确率召回率与总体正确率
先把真实标签与预测标签放在两列
自编十张符号卡,其中五张真实属于目标类,五张不属于。一个演示分类规则把四张预测为目标,其中三张确实是目标,另一张不是;另外六张预测为非目标,其中漏掉两张真实目标,四张确实非目标。
这样四类计数分别是命中3、误报1、漏报2、正确排除4。总和为10,真实目标数3+2=5,预测目标数3+1=4。先核对这张交叉表,后面的比例才有一致的依据。
精确率从预测为目标的集合出发
scikit-learn的精确率定义使用真阳性除以真阳性加假阳性。本例就是3/(3+1)=3/4,回答“已经被标成目标的卡片中,有多少是真的目标”。分母是预测目标的四张,不是全部十张。
召回率从真实目标的集合出发
召回率定义使用真阳性除以真阳性加假阴性。本例为3/(3+2)=3/5,回答“实际五张目标中,成功找出了多少”。两项分子相同,分母观察的集合不同,所以数值不同并不矛盾。
总体正确率则是(3+4)/10=7/10,它把正确排除也纳入正确数量,回答另一个问题。不能看见一个较高百分比,就不写名称直接称为整体效果。
边界与适用范围必须说明
如果规则一张目标都不预测,精确率的分母为零;不能不交代约定就硬算成一个普通比例。若资料根本没有真实目标,召回率也会遇到对应的分母问题。实际工具可能提供零除处理选项,报告时应写明,不隐藏这个边界。
本篇十张卡是完全虚构的演算,不是任何网站测试结果、受试者统计或医疗模型数据。评价真实系统还需要明确样本、标签来源与使用场景。这里的练习重点只有一个:看到比例先追问分母是哪一组对象,再判断它究竟回答“报得准”还是“找得全”。