评估与指标
准确率（accuracy）
/ AK-yur-uh-see /
准确率是一个分类器能拿到的最简单的成绩单：在它做出的所有预测里，答对了多大比例？把100封邮件判为是不是垃圾邮件，答对了其中92封，准确率就是92%。大多数人最先想到的就是这个数字，因为它回答了那个最显而易见的问题——这东西多久对一次？
严格地说，准确率等于预测正确的次数除以预测的总次数，它把所有类型的「对」都混在一起算（既包括对的「是」，也包括对的「否」）。取值从0到1，或者说0到100%，越大越好。它需要你事先就知道真实答案的带标注样本，这样才能拿模型的猜测去和现实对照。
它老老实实的弱点是：当各类别的数量很悬殊时，它会严重地误导人。假设每100笔交易里有99笔是正常的，只有1笔是欺诈。一个偷懒的模型只要一律宣称「全是正常」，就能拿到99%的准确率，却一笔欺诈都没抓到——毫无用处，看起来却好得很。只要有一种结果是稀有的，光看准确率就会掩盖掉那个真正要紧的失败，这时你必须转而去看精确率、召回率或混淆矩阵。
某项体检筛查了1000人，其中真正患病的有10人。模型把每个人都标为「健康」。它只在10个人身上判错，于是准确率＝990/1000＝99%。然而它一个病人也没查出来——这正是「99%的准确率也可能是个毫无价值的模型」的绝佳例子。
高准确率，零用处：为什么类别不平衡会让最简单的指标失效。
在相信一个准确率数字之前，先问问类别比例。在50/50的情况下它有意义；在99/1的情况下，单看它几乎一文不值。一个有用的检验：你的模型，比起「永远预测多数类」这个最简单的基线，到底强多少？
又称
另见