在机器学习项目里，分类模型的表现到底好不好，不能只靠一个数值草率下定论。准确率、召回率和F1分别从不同侧面刻画了模型的预测行为，理解它们之间的关系，是搭建可靠评估体系的第一步。
从混淆矩阵看懂三个指标的计算逻辑
要弄清楚准确率、召回率和F1的区别，必须先回到最基础的混淆矩阵。对于一个二分类问题，模型预测结果和真实标签交叉后会产生四种情况：真正例（TP）是模型预测为正且真实为正；假正例（FP）是预测为正但真实为负；真负例（TN）是预测为负且真实为负；假负例（FN）是预测为负但真实为正。这四个数值构成了所有分类指标的计算基石。
准确率（Accuracy）的定义非常直观，就是所有预测正确的样本占总样本的比例，公式为 (TP+TN)/(TP+TN+FP+FN)。召回率（Recall）又名查全率，关注模型找出了多少真实正例，计算方式是 TP/(TP+FN)。而F1_score并不是简单平均，它是精确率（Precision，即 TP/(TP+FP)）和召回率的调和平均数，公式为 2×Precision×Recall/(Precision+Recall)。这种调和平均的特性让F1在两者严重失衡时会明显偏低，从而提醒开发者注意模型偏向。
下面用一段Python代码展示如何基于混淆矩阵手动计算这三个指标，而不依赖现成库，有助于理解底层数学含义：
# 定义混淆矩阵四要素
TP = 80
FN = 20
FP = 10
TN = 90
# 准确率
accuracy = (TP + TN) / (TP + TN + FP + FN)
# 精确率
precision = TP / (TP + FP)
# 召回率
recall = TP / (TP + FN)
# F1_score
f1 = 2 * precision * recall / (precision + recall)
print("准确率:", round(accuracy, 3))
print("精确率:", round(precision, 3))
print("召回率:", round(recall, 3))
print("F1:", round(f1, 3))
从代码输出可以看到，当样本分布不均或模型有偏向时，三个数值会出现明显分歧。比如上述例子中准确率有约0.85，但召回率仅0.8，F1约0.84，说明模型对正例的覆盖还不够理想。只有把这三个数放在一起看，才不会误判模型能力。
为什么单看准确率会在业务里栽跟头
准确率最大的陷阱来自类别不平衡。假设某疾病筛查数据集中，患病样本只占1%，健康样本占99%。如果一个懒惰的模型永远预测“健康”，它的准确率高达99%，看似完美，实则对真正需要被筛出的病人毫无帮助。这种场景下准确率完全失效，而召回率会等于0，立刻暴露模型的无能。因此在医疗、风控、故障检测等领域，召回率往往比准确率更受重视。
另一个容易被忽视的问题是准确率高但精确率低。例如推荐系统给一百万用户推送广告，点击用户仅一千，模型若广泛撒网式预测“会点击”，可能覆盖到八百个真实点击用户，准确率因负例太多仍显得不错，但精确率极低，浪费大量曝光资源。此时F1_score因为调和平均惩罚了低精确率，数值会明显低于准确率，提示开发者模型不够精准。
我们通过一个对比表格来看不同模型在同样测试集上的指标差异，能更直观感受单一指标的误导：
| 模型 | 准确率 | 召回率 | 精确率 | F1 |
|---|---|---|---|---|
| 模型A（全预测负） | 0.95 | 0.00 | 0.00 | 0.00 |
| 模型B（均衡） | 0.88 | 0.82 | 0.80 | 0.81 |
| 模型C（高精确低召回） | 0.90 | 0.55 | 0.92 | 0.69 |
表格里模型A准确率最高却毫无实用价值，模型C准确率也不低但漏掉近一半正例。如果只汇报准确率，业务方可能选错方案。引入召回率和F1后，模型B的综合表现一目了然。这也是为什么在论文和工程报告中，三者通常并列展示。
不同业务目标下如何选用与融合指标
选型的核心在于明确“漏判”和“误判”的代价谁更高。在垃圾邮件过滤中，把正常邮件误判为垃圾（FP）会让用户错过重要信息，代价大，因此更看重精确率；而把垃圾邮件放进收件箱（FN）只是轻微打扰，此时可适当牺牲召回率保精确率。相反，在地震预警系统里，漏报（FN）可能导致生命损失，必须追求高召回率，哪怕误报多一些也能接受。F1则适合两者代价相近、需要综合考量的场景。
当业务同时关注多个方面时，还可以使用宏平均（macro）或微平均（micro）的F1。宏平均先对每个类别算F1再取算术平均，平等对待各类别，对小类更友好；微平均把所有类别的TP、FP、FN汇总后再算一个F1，受大类影响大。多分类任务中报告宏F1已成惯例，它能揭示模型在少数类上的真实水平，而非被大类准确率掩盖。
实际编码时，scikit-learn提供了现成接口，但要注意参数设置。以下示例展示如何同时输出多个指标并选择平均方式：
from sklearn.metrics import accuracy_score, recall_score, f1_score
y_true = [1, 0, 1, 1, 0, 1, 0, 0]
y_pred = [1, 0, 0, 1, 0, 1, 1, 0]
acc = accuracy_score(y_true, y_pred)
rec = recall_score(y_true, y_pred, average="binary")
f1_macro = f1_score(y_true, y_pred, average="macro")
f1_micro = f1_score(y_true, y_pred, average="micro")
print("准确率:", acc)
print("二分类召回率:", rec)
print("宏平均F1:", f1_macro)
print("微平均F1:", f1_micro)
通过这样组合使用，团队可以在周会中不仅说“准确率涨了两点”，而是讨论“召回率提升说明漏检减少，但精确率微降是否可接受”。评估指标的多元化，本质上是在用数字表达业务价值观，而非单纯追求模型表面的高分。