社区体检中心来了位年轻医生小王，负责“阿尔法综合征”筛查。每位居民体检后，小王手里会有两个结论：体检仪器给的判断（预测），和医院病理科最终的确诊（真实）。仪器说“得病”、病理也确认“得病”，这是最好的结局；仪器说“没病”、病理却证实“有病”，这是最坏的结局。小王把各种情况的居民人数汇总成一张登记表：真实患病的人进上面两格，真实健康的人进下面两格；仪器报阳性的人进左边两格，仪器报阴性的人进右边两格。奇迹发生了——只靠这一张 2×2 的表格，就能回答“这台仪器整体靠不靠谱”“漏诊多不多”“误报多不多”等一连串问题。在机器学习里，这张表叫作混淆矩阵（Confusion Matrix）。本文就沿着小王的体检故事，把混淆矩阵及其衍生的准确率、精确率、召回率、F1、特异性等指标讲清楚。

岗位关联

混淆矩阵是分类模型评估的基石，你只需要一张表，就能看出模型“错在哪、为什么错”。这是每个 AI 从业者的基本功，也是面试中绕不开的考点。

目录
  1. 可视化演示
  2. 矩阵基本结构：行是真实，列是预测
  3. 四个基础值：四种命运的病房
  4. 准确率指标：一张表的“总评”
  5. 精确率与召回率：两个方向的查漏
  6. 综合指标：F1 调和与特异性
  7. 多分类扩展：从 2×2 到 C×C
  8. 应用与实战：用一张表做模型诊断
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

动态演示一张表看懂分类对错的混淆矩阵的核心机制，通过全局/局部/动态/静态四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

一张表看懂分类对错的混淆矩阵：混淆矩阵 混淆矩阵的基本结构 从混淆矩阵衍生核心指标 核心机制可视化 一张表看懂分类对错的混淆矩阵整体架构与关键组件

矩阵基本结构：行是真实，列是预测

小王翻出体检中心的登记表，决定用一张表把仪器表现梳理清楚。表格的行写“病理最终结论”，列写“仪器初步报告”。真实患病的人进上面一行，真实健康的人进下面一行；仪器报阳性的进左边一列，仪器报阴性的进右边一列。当 100 个居民的记录陆续落格，小王发现：这张表把“仪器眼里的世界”和“真实的世界”叠在了一起，每个数字背后都是一种命运。

在机器学习里，病理结论就是真实标签（ground truth），仪器报告就是模型预测。混淆矩阵的行代表真实类别，列代表预测类别。二分类只有两类，于是得到 2×2 的矩阵；多分类时则有 C×C 个格子。先记住行、列方向，后面所有指标的推导都不会跑偏。

用矩阵记号写：

第一行是真实正类的样本，第二行是真实负类的样本；第一列是预测正类，第二列是预测负类。四个格子分别记作 TP、FN、FP、TN。

小王把这张表贴在墙上，笑称它是“仪器照妖镜”。因为只看仪器打印的阳性报告，你根本分不清哪些是确诊、哪些是虚惊；只有把它和病理金标准放在同一张表里，错误才会现出原形。

M=[M1,1M1,2M2,1M2,2]M = \begin{bmatrix} M_{1,1} & M_{1,2} \\ M_{2,1} & M_{2,2} \end{bmatrix}
  1. 矩阵的行下标第一行存放所有真实为正类的样本，第二行存放所有真实为负类的样本。
    M1,∗: y=1,M2,∗: y=0M_{1,*}:\ y=1,\quad M_{2,*}:\ y=0
  2. 矩阵的列下标第一列对应预测为正类，第二列对应预测为负类。
    M∗,1: y^=1,M∗,2: y^=0M_{*,1}:\ \hat{y}=1,\quad M_{*,2}:\ \hat{y}=0
  3. 四个格子的命名按“真实×预测”交叉，第一行两格分别是 TP 和 FN。
    M1,1=TP,M1,2=FNM_{1,1}=TP,\quad M_{1,2}=FN
  4. 另外两个格子第二行两格分别是 FP 和 TN，对应真实为负的两个组合。
    M2,1=FP,M2,2=TNM_{2,1}=FP,\quad M_{2,2}=TN

四个基础值：四种命运的病房

小王给四个格子贴上不同颜色的标签。左上角最亮：仪器报阳性，病理也确诊，这就是“确诊命中”TP。右下角最安稳：仪器报阴性，病理也确认没病，这叫“安心放行”TN。左下角刺眼：仪器报阳性，实际却没病，这是“虚惊一场”FP。右上角最危险：仪器报阴性，实际却得了病，这是“漏诊放过”FN。

四个格子的命名有套路：第一个字母 T 表示预测正确（True），F 表示预测错误（False）；第二个字母是模型报出的类别，P 是阳性，N 是阴性。所以“假阳性”不是“标签造假”，而是“预测结果和真实情况不一致”。

用 y 表示真实标签、ŷ 表示预测标签，四种组合可以写成：

比如 y=1 表示“真得病”，ŷ=1 表示“仪器报阳性”，那么 y=1 且 ŷ=0 就是“真得病但仪器没报出来”，这一例会被计进 FN。

小王意识到，漏诊和误报虽然都是错，代价却天差地别。漏诊可能让人错过最佳治疗期，误报最多让人多花点钱复查。后面每一个指标，本质上都是在权衡这两种“错过的代价”。

TP:y=1, y^=1FN:y=1, y^=0FP:y=0, y^=1TN:y=0, y^=0\begin{aligned}TP &: y=1,\ \hat{y}=1 \\FN &: y=1,\ \hat{y}=0 \\FP &: y=0,\ \hat{y}=1 \\TN &: y=0,\ \hat{y}=0\end{aligned}
  1. 真实标签 yy 是金标准，y=1 代表真实为正，y=0 代表真实为负。
    y∈{0,1}y \in \{0, 1\}
  2. 预测标签 ŷŷ 是模型输出，ŷ=1 表示预测为正，ŷ=0 表示预测为负。
    y^∈{0,1}\hat{y} \in \{0, 1\}
  3. 预测正确的情况TP 和 TN 都是“预测与真实一致”，对应 T 开头的两格。
    TP: y=1, y^=1;TN: y=0, y^=0TP:\ y=1,\ \hat{y}=1;\qquad TN:\ y=0,\ \hat{y}=0
  4. 预测出错的情况FP 是误报（虚惊），FN 是漏诊（放过），对应 F 开头的两格。
    FP: y=0, y^=1;FN: y=1, y^=0FP:\ y=0,\ \hat{y}=1;\qquad FN:\ y=1,\ \hat{y}=0

准确率指标：一张表的“总评”

小王开始算总评。他把“判断正确”的两格——TP 和 TN——相加，再除以全部居民数，得到的就是准确率（Accuracy）。这就像期末成绩单上的总分，一眼看出整体水平。

准确率回答“100 个样本里，模型说对了几个”；错误率则回答“说错了几个”。两者加起来等于 1，知道一个就能算另一个。这两个指标简单直观，所以几乎每个项目都会先报准确率。

分子是所有“说对”的样本，分母是四个格子之和，代表所有被评估的样本。

可小王立刻发现陷阱：社区里 95% 的居民本来就没病，仪器只要见到谁都报“阴性”，准确率就有 95%。这等于“全班只有一个差生，老师干脆不给任何人判不及格”，看起来及格率 95%，其实一个差生都没拯救。准确率高，不代表模型好。

Accuracy=TP+TNTP+TN+FP+FN\text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}
  1. 分子 TP+TN分子是“说对的样本数”，包括确诊的 TP 和放行的 TN。
    TP+TN=正确预测的样本数TP + TN = \text{正确预测的样本数}
  2. 分母四格之和分母是所有样本总数，四个格子谁也不偏袒。
    N=TP+TN+FP+FNN = TP + TN + FP + FN
  3. 错误率导出说错的比例就是 1 减准确率，即错误率（ErrorRate）。
    ErrorRate=FP+FNN=1−Accuracy\text{ErrorRate} = \frac{FP + FN}{N} = 1 - \text{Accuracy}

精确率与召回率：两个方向的查漏

小王把目光从“总体”转向“阳性”。他问出的两个问题，引出了两个新指标。问题一：仪器报了 100 个阳性，里面有多少人真的得病？这是精确率（Precision）。问题二：100 个真病人里，仪器抓住了几个？这是召回率（Recall）。

精确率的分母是所有“预测为阳性”的样本，回答“报上来的阳性可不可信”；召回率的分母是所有“真实为阳性”的样本，回答“真正的病人有没有被漏掉”。一个管报告纯度，一个管扫荡覆盖。

两者分子都是 TP，区别只在分母：精确率受 FP 拖累，召回率受 FN 拖累。

小王很快发现二者此消彼长：仪器调灵敏些，召回率上去，但误报多了、精确率下降；调严格些则相反。癌症筛查宁可多复查，也要先把召回率拉满；垃圾邮件过滤则保精确率，因为把正常邮件丢进垃圾箱比漏掉广告更招人恨。

Precision=TPTP+FP,Recall=TPTP+FN\text{Precision} = \frac{TP}{TP + FP}, \qquad \text{Recall} = \frac{TP}{TP + FN}
  1. 精确率的分子分子 TP 是“预测为正且真实为正”的命中数。
    TPTP
  2. 精确率的分母TP+FP 是所有预测为阳性的样本，不论是否预测正确都算进来。
    Precision=TPTP+FP\text{Precision} = \frac{TP}{TP + FP}
  3. 召回率的分母TP+FN 是所有真实为阳性的样本，分母一换，问题就变成“病人漏了多少”。
    Recall=TPTP+FN\text{Recall} = \frac{TP}{TP + FN}
  4. 分母差异是关键TP+FP 衡量“报告可信度”，TP+FN 衡量“扫荡覆盖率”，两个分母不要混用。
    TP+FP≠TP+FNTP+FP \ne TP+FN
  5. 工程保底当 TP+FP=0 时精确率分母为零，工程上通常约定记为 0。
    Precision={TPTP+FP,TP+FP>00,TP+FP=0\text{Precision} = \begin{cases} \dfrac{TP}{TP+FP}, & TP+FP>0 \\[4pt] 0, & TP+FP=0 \end{cases}

综合指标：F1 调和与特异性

小王想把精确率和召回率合成一个数来排名。他试了算术平均：90 分和 10 分一平均就是 50 分，可一个 90 一个 10 的模型显然偏科严重。于是他想到了调和平均——对低分特别敏感，这个指标就是 F1。

另一方面，小王还惦记着健康人：那些没病的人，仪器有没有把人误判成病人？把健康人正确放行、不给假阳性的比例，叫特异性（Specificity）。它和召回率正好对称：召回率看病人，特异性看健康人。

与特异性互补的假阳性率 FPR = 1 − Specificity，表示健康人被误报的比例。

至此，小王的“体检报告”齐了：总体看准确率，阳性看精确率，病人看召回率，健康人看特异性，平衡看 F1。五个数字各管一个视角，把一台仪器的表现写得明明白白。

F1=2×Precision×RecallPrecision+Recall,Specificity=TNTN+FPF1 = \frac{2 \times \text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}, \qquad \text{Specificity} = \frac{TN}{TN + FP}
  1. F1 的分子分子是 2 乘以精确率和召回率的积，给两个指标相同的“权重感”。
    2⋅P⋅R2 \cdot P \cdot R
  2. F1 的分母分母是 P 加 R，起到“拉平”作用，偏科越严重，F1 越低。
    P+RP + R
  3. 等价的调和形式F1 可写成 2 除以两个倒数之和，这正是调和平均的定义，对低分更敏感。
    F1=21P+1RF1 = \frac{2}{\frac{1}{P} + \frac{1}{R}}
  4. 特异性定义分母 TN+FP 是所有真实为阴性的健康样本，分子是其中被正确放行的 TN。
    Specificity=TNTN+FP\text{Specificity} = \frac{TN}{TN + FP}

多分类扩展：从 2×2 到 C×C

体检中心引进了 α、β、γ 三种疾病筛查，登记表从 2×2 变成了 3×3。多分类的混淆矩阵，行、列都是所有类别，格子 M_ij 表示“真实类别 i、预测类别 j”的样本数，对角线就是各类猜对的数目。

评估多分类模型时，通常把每个类别单独拎出来，其余所有类别当作“负类”，这叫 one-vs-rest。这样每个类都能算自己的精确率、召回率、F1。但汇总时出现分歧：是让每个类平等，还是让每个样本平等？

宏平均先算每类的指标再平均，微平均先把所有类的格子加总再算。

小王懂了：微平均会被样本量大的类“绑架”，宏平均则可能让罕见类的指标喧宾夺主。关键是先想明白业务问题——我们要每种病都平等，还是每个样本都平等？

Macro-F1=1C∑c=1CF1c,Micro-Precision=∑c=1CTPc∑c=1CTPc+∑c=1CFPc\text{Macro-F1} = \frac{1}{C}\sum_{c=1}^{C} F1_c, \qquad \text{Micro-Precision} = \frac{\sum_{c=1}^{C} TP_c}{\sum_{c=1}^{C} TP_c + \sum_{c=1}^{C} FP_c}
  1. 逐类 F1F1_c 表示把第 c 类当正类、其余所有类当负类时算出的 F1。
    F1c=2PcRcPc+RcF1_c = \frac{2 P_c R_c}{P_c + R_c}
  2. 宏平均先对每个类分别计算 F1，再对所有 C 个类取简单平均。
    Macro-F1=1C∑c=1CF1c\text{Macro-F1} = \frac{1}{C} \sum_{c=1}^{C} F1_c
  3. 微平均分子把每个类的 TP 全部加总，作为全局“命中数”。
    ∑c=1CTPc\sum_{c=1}^{C} TP_c
  4. 微平均分母把每个类的 TP 和 FP 分别加总，样本量大的类会主导最终结果。
    Micro-Precision=∑c=1CTPc∑c=1CTPc+∑c=1CFPc\text{Micro-Precision} = \frac{\sum_{c=1}^{C} TP_c}{\sum_{c=1}^{C} TP_c + \sum_{c=1}^{C} FP_c}

应用与实战：用一张表做模型诊断

最后，小王把整套复盘做成了自动化脚本。任何一批预测结果进来，先打印混淆矩阵，再输出准确率、精确率、召回率、F1、特异性，最后单独抽查 FP 和 FN 对应的原始记录。这就是错误分析的基本流程。

只用准确率一个数评判模型，就像只看学生总分、不看哪科不及格。混淆矩阵能具体定位“哪两类互相混淆”，比如手写数字里“7“常被写成”1”，这时 2×2 不够用，要打印每一类对每一类的完整矩阵。

看一个不平衡数据的典型例子：某模型对 100 个样本全部判“阴性”，其中真实患病 5 人、健康 95 人。

第一行是真实患病的人：5 人全部被预测成阴性，所以 FN=5、TP=0。

一张 2×2 的小表，把分类模型的“对错”拆成四种命运；一套指标，又把四种命运压成一个分数。小王从此养成习惯：任何分类模型上线前，先打印一张混淆矩阵——它比十句“准确率 98%”都管用。

M=[05095],Accuracy=95100=0.95,Recall=00+5=0M = \begin{bmatrix} 0 & 5 \\ 0 & 95 \end{bmatrix}, \qquad \text{Accuracy} = \frac{95}{100} = 0.95, \qquad \text{Recall} = \frac{0}{0 + 5} = 0
  1. 矩阵读数矩阵第一行是真实正类，5 个病人都被漏成阴性；第二行 95 个健康人全部正确判阴。
    M=[05095]M = \begin{bmatrix} 0 & 5 \\ 0 & 95 \end{bmatrix}
  2. 准确率虚高准确率高达 95%，看起来非常优秀，但模型其实一个“阳性”都不会报。
    Accuracy=0+950+5+0+95=0.95\text{Accuracy} = \frac{0 + 95}{0 + 5 + 0 + 95} = 0.95
  3. 召回率现原形真实病人全没被抓住，召回率是 0，说明这个模型在医疗场景下完全不可用。
    Recall=00+5=0\text{Recall} = \frac{0}{0 + 5} = 0

AI 应用场景

银行信贷风控：谁是坏账，谁是误杀

阶段：模型评估与上线监控

解决的问题：传统信贷模型只看总体准确率，经常在“漏放坏账”和“误杀好客户”之间失去分寸。用混淆矩阵后，FN 是放走老赖，FP 是拒绝优质客户，两类错误背后的资金损失完全不同，AI 的评估重心从“一个分数”变成“两个错分别赔多少钱”。

具体案例：某银行在 1 万笔申请上测试放贷模型，准确率 95%，但混淆矩阵显示 FN=200（坏客户获贷）、FP=50（好客户被拒）。按坏账每笔损失 5000 元、优质客户每笔贡献 800 元利润折算，业务团队发现 FN 更贵，于是下调放贷阈值提升召回率，坏账率下降 18%。

医疗影像 AI：肺结节筛查不许漏

阶段：模型评估与临床试点

解决的问题：肺结节筛查中，漏诊一个恶性结节比多报十个良性结节后果严重得多。AI 用混淆矩阵优先盯住 FN 和召回率，再通过医生复核流程控制 FP 带来的额外工作量，实现“机器初筛、医生终审”的安全闭环。

具体案例：某三甲医院部署肺结节 CT 辅助系统，用 5000 张影像评估：召回率 96.2%、精确率 78.4%。虽然误报率不低，但医生复核一张可疑图只需多花几十秒，系统凭借高召回率获准进入辅助诊断流程。

垃圾邮件过滤：宁缺毋滥的精确率

阶段：模型效果评估与 A/B 测试

解决的问题：把正常邮件扔进垃圾箱会引发用户投诉，漏掉广告邮件用户几乎没有感知。混淆矩阵帮团队量化这两种不均衡的体验成本，用精确率守住“不误杀”的底线，而不是盲目追求召回率。

具体案例：某邮箱团队对比两个模型：A 精确率 99%、召回率 70%；B 精确率 95%、召回率 95%。用户投诉率数据显示 A 的体验明显更好，最终 A 上线——广告邮件漏得再多，也不误杀一封正常来信。

Python 演示

python33 行
# 混淆矩阵与分类指标计算示例import numpy as np # 模拟垃圾邮件分类器结果, 1=垃圾邮件正类, 0=正常邮件负类y_true = np.array([1, 0, 1, 1, 0, 0, 1, 0, 0, 1])y_pred = np.array([1, 0, 0, 1, 0, 0, 1, 1, 0, 0]) def build_confusion_matrix(y_true, y_pred, positive=1):    # 返回 (TP, FN, FP, TN), 行是真实类别, 列是预测类别    tp = int(np.sum((y_true == positive) & (y_pred == positive)))    fn = int(np.sum((y_true == positive) & (y_pred != positive)))    fp = int(np.sum((y_true != positive) & (y_pred == positive)))    tn = int(np.sum((y_true != positive) & (y_pred != positive)))    return tp, fn, fp, tn def compute_metrics(tp, fn, fp, tn):    # 根据混淆矩阵计算五个核心指标    total = tp + fn + fp + tn    accuracy = (tp + tn) / total if total > 0 else 0.0    precision = tp / (tp + fp) if (tp + fp) > 0 else 0.0    recall = tp / (tp + fn) if (tp + fn) > 0 else 0.0    f1 = 2 * precision * recall / (precision + recall) if (precision + recall) > 0 else 0.0    specificity = tn / (tn + fp) if (tn + fp) > 0 else 0.0    return accuracy, precision, recall, f1, specificity if __name__ == "__main__":    tp, fn, fp, tn = build_confusion_matrix(y_true, y_pred)    print("混淆矩阵 (行=真实, 列=预测):")    print(f"            预测阳性  预测阴性")    print(f"真实阳性    {tp:5d}    {fn:5d}")    print(f"真实阴性    {fp:5d}    {tn:5d}")    acc, prec, rec, f1, spec = compute_metrics(tp, fn, fp, tn)    print(f"准确率={acc:.2f} 精确率={prec:.2f} 召回率={rec:.2f} F1={f1:.2f} 特异性={spec:.2f}")
目的：从零手写混淆矩阵和五个核心指标，用 10 封邮件的模拟数据演示分类模型评估的完整流程。
  1. y_true = np.array([1, 0, 1, 1, 0, 0, 1, 0, 0, 1])模拟 10 封邮件的真实标签，1 表示垃圾邮件（正类），0 表示正常邮件。
  2. tp = int(np.sum((y_true == positive) & (y_pred == positive)))同时满足“真实为正”和“预测为正”的样本就是 TP，即被正确拦住的垃圾邮件。
  3. fn = int(np.sum((y_true == positive) & (y_pred != positive)))真实是垃圾、预测却放行，这就是漏诊的 FN。
  4. precision = tp / (tp + fp) if (tp + fp) > 0 else 0.0分母是“所有预测为阳性的样本”，回答预报阳性里有多少是真的。
  5. recall = tp / (tp + fn) if (tp + fn) > 0 else 0.0分母是“所有真实为阳性的样本”，回答真垃圾邮件里被拦住多少。
  6. print(f"真实阳性 {tp:5d} {fn:5d}")按“行=真实、列=预测”的布局打印 2×2 表，和混淆矩阵的标准方向一致。

常见误区

误区写评估报告时，我总觉得左边是预测、上面是真实，把 FN 和 FP 的位置标反了。

正解记住体检比喻：行是病理报告（金标准），列是仪器报告（预测）。在 scikit-learn 的 confusion_matrix 中，行也是真实类别、列是预测类别。位置反了，精确率会算错，整个错误分析的结论也会颠倒。

为何常见：很多教材的图例画法不统一，加上“假阳性”听起来像“真实类别是阳性”，让初学者把预测与真实混为一谈。

误区模型在测试集上准确率 95%，我觉得这已经非常优秀，赶紧准备上线。

正解不平衡数据下，全猜多数类也能拿 95%。体检中心 95% 健康人、仪器全判阴性，准确率照样高，但一个病人都没救到。必须看混淆矩阵里少数类的召回率和精确率。

为何常见：准确率是最先学会的指标，长得像“成绩单”，它不告诉你错误长在哪个格子里。

误区我一直以为精确率就是“找得准”，召回率就是“找得全”，意思差不多，用哪个都一样。

正解精确率分母是预测正类 TP+FP，召回率分母是真实正类 TP+FN。用体检说：精确率问“报阳性的人里多少真病”，召回率问“真病人里多少被报出来”。业务含义完全不同。

为何常见：两个公式分子都是 TP，只有分母不同，只背公式不记场景，自然分不清。

误区调参时我只看 F1，哪个模型 F1 高选哪个，觉得 F1 已经综合了所有因素。

正解F1 只是精确率和召回率的调和平均，没考虑 FP 与 FN 的实际代价。癌症筛查要牺牲精确率保召回率，垃圾邮件过滤反过来。业务代价不对等时，F1 高不等于“划算”。

为何常见：F1 是一个数，看起来“综合”，其实只综合了 P 和 R 两个指标，不包含成本函数。

误区多分类模型打印 acc=0.9，我就觉得模型对每个类别都识别得很好。

正解多分类的准确率是所有类别的“平均感觉”，可能某一类表现极差。打印完整混淆矩阵，看非对角线上的集中错误，比如手写数字“9“和”4”互相混淆，才能对症下药。

为何常见：整体准确率是一个标量，把每个类的灾难都平均掉了，掩盖了细粒度的错误模式。

面试题

Q1. 混淆矩阵中，FN（假阴性）指的是什么？

单选题 · easy

  • A.实际阳性被预测为阴性（漏诊）← 正确答案
  • B.实际阴性被预测为阳性（误报）
  • C.实际阳性被预测为阳性（正确）
  • D.实际阴性被预测为阴性（正确）

答案：A。FN 的“假”指预测与真实不符，“阴性”指模型报的是阴性。把病人看成真正的病人，仪器却没报警，这就是体检中心里的“漏诊”。B 是 FP（误报），C 是 TP，D 是 TN。只要对照矩阵位置——行真实、列预测——就不会搞混。

Q2. 以下哪项计算的是精确率（Precision）？

单选题 · easy

  • A.预测阳性中真阳性的比例← 正确答案
  • B.实际阳性中真阳性的比例
  • C.实际阴性中真阴性的比例
  • D.所有样本中预测正确的比例

答案：A。精确率的分母是所有预测为阳性的样本 TP+FP，看的是“报出来的阳性有多少是真”；B 是召回率，C 是特异性，D 是准确率。分子都是 TP，但分母不同，含义就完全不同。

Q3. 猫狗分类中，100 张猫图全部被分为狗，100 张狗图全部被分为狗。以“猫”为正类，猫的召回率是多少？

单选题 · mid

  • A.0%，没有猫被正确识别← 正确答案
  • B.50%，平均每个猫狗各一半
  • C.100%，所有图片都被分类
  • D.无法计算，缺少真实标签

答案：A。以猫为正类：TP=0（没有猫被正确识别），FN=100（所有猫都被误判为狗），召回率=TP/(TP+FN)=0/(0+100)=0%。召回率只回答“正类样本有没有被漏掉”，与整体准确率无关，所以选 A。

Q4. 100 个测试样本，95 个健康、5 个患病，模型把所有人都判为健康。下列表述正确的是？

单选题 · mid

  • A.准确率 95% 但召回率 0%← 正确答案
  • B.准确率 95% 且召回率 100%
  • C.准确率 5% 但精确率 95%
  • D.准确率 0% 且精确率 0%

答案：A。患病为正类，全判健康意味着 TP=0、FN=5、FP=0、TN=95。准确率=(0+95)/(0+5+0+95)=95%，但召回率=0/(0+5)=0%，一个病人也没捞回来。这就是不平衡数据下“准确率陷阱”的典型例子。

Q5. F1 分数是精确率和召回率的什么平均？

单选题 · mid

  • A.调和平均← 正确答案
  • B.算术平均
  • C.几何平均
  • D.加权平均

答案：A。F1 是精确率和召回率的调和平均，调和平均比算术平均、几何平均都更受小值影响。比如精确率 90、召回率 10 时，算术平均是 50，F1 只有 18，能暴露“偏科”模型，所以选 A。

Q6. 下列哪些场景更应该优先提高召回率？

多选题 · mid

  • A.癌症筛查← 正确答案
  • B.垃圾邮件
  • C.地震预警← 正确答案
  • D.商品推荐

答案：AC。癌症筛查和地震预警，漏掉的代价远大于多报的代价，所以要优先提高召回率，宁可比标准严也别放过真例。垃圾邮件更怕误杀正常邮件，优先保精确率；商品推荐错了代价不大，也不强调召回率。

Q7. 多分类混淆矩阵中，宏平均（Macro）与微平均（Micro）的区别是？

单选题 · hard

  • A.宏平均逐类计算后再平均← 正确答案
  • B.微平均逐类计算后再平均
  • C.两者计算顺序完全一样
  • D.宏平均只统计错误样本

答案：A。宏平均对每个类别单独算指标后取平均，每类权重一样；微平均先把所有类的 TP/FP/FN/TN 加总再算，样本多的类影响更大。A 描述正确，B 说反了，C 明显错误，D 无中生有。

Q8. 某模型对正类预测结果：TP=80, FP=20, FN=40，其精确率和召回率分别是？

单选题 · hard

  • A.精确率 80%，召回率 66.7%← 正确答案
  • B.精确率 66.7%，召回率 80%
  • C.精确率 80%，召回率 80%
  • D.精确率 50%，召回率 66.7%

答案：A。精确率=TP/(TP+FP)=80/(80+20)=80%；召回率=TP/(TP+FN)=80/(80+40)≈66.7%。两个指标分子都是 TP，分母不同：精确率被 FP 拖累，召回率被 FN 拖累。小心不要算反。

Q9. 混淆矩阵可以用于下列哪些任务？

多选题 · hard

  • A.诊断类别不平衡问题← 正确答案
  • B.定位模型哪类易混淆← 正确答案
  • C.直接计算模型的梯度
  • D.比较不同阈值下表现← 正确答案

答案：ABD。混淆矩阵能诊断不平衡（某类样本少导致该类比差）、定位易混淆类别（看非对角元素）、比较不同阈值（调整阈值后四格分布随之变化）。但梯度是神经网络反向传播的东西，和混淆矩阵无关。

Q10. 特异性（Specificity）的正确含义是？

单选题 · easy

  • A.实际阴性中被正确放行的比例← 正确答案
  • B.实际阳性中被正确放行的比例
  • C.预测阴性中实际为阴性的比例
  • D.预测阳性中实际为阳性的比例

答案：A。特异性=TN/(TN+FP)，分母是所有真实为阴性的健康样本，分子是其中被正确放行的 TN。B 衡量的是“实际阳性被放行”的漏诊比例，C 和 D 的参考集换成了预测结果，都不是特异性。