Accuracy（准确率）详解：定义、公式与适用场景

Accuracy（准确率）是衡量预测正确比例的分类评估指标。本文结合混淆矩阵解释准确率公式，并说明样本不平衡时如何结合精确率、召回率和 F1 分数。

什么是 Accuracy（准确率）？

Accuracy（准确率）是机器学习分类任务中常用的评估指标，用来衡量模型在全部样本中预测正确的比例。更直观地说，它回答的是：模型做出的所有预测里，有多少结果是对的。

在中文语境中，Accuracy 也常被称为“正确率”。不过在模型评估中，准确率不是泛泛地判断“对不对”，而是有明确统计口径的指标。理解它时，需要同时考虑任务目标、类别分布，以及是否还要结合精确率、召回率等指标。

可以把准确率类比为一次判卷：共有 100 道题，答对了 82 道，准确率就是 82%。这个类比能帮助建立直觉，但在真实分类任务中，还要进一步看哪些类别答对了、哪些类别答错了，以及不同错误是否同样重要。

要点：准确率适合快速了解模型的整体预测正确比例，但它不一定能说明模型在每一类样本上的表现。

在二分类任务中，准确率常通过混淆矩阵来计算。混淆矩阵会把预测结果拆成四类：真正例、真负例、假正例和假负例。

结果	英文缩写	含义	是否计入预测正确
真正例	TP	实际为正，模型也预测为正	是
真负例	TN	实际为负，模型也预测为负	是
假正例	FP	实际为负，但模型预测为正	否
假负例	FN	实际为正，但模型预测为负	否

在二分类混淆矩阵语境下，常见的准确率公式为：

Accuracy = (TP + TN) / (TP + TN + FP + FN)

其中，分子表示所有预测正确的样本数，分母表示全部样本数。

假设某个二分类模型一共评估了 100 个样本，混淆矩阵统计如下：

那么准确率为：

Accuracy = (30 + 50) / (30 + 50 + 10 + 10) = 80 / 100 = 80%

这表示模型在全部 100 个样本中，有 80 个样本被预测正确。

准确率、精确率和召回率都是分类任务中的关键评估指标，但关注点不同。准确率看整体预测正确比例；精确率更关注“预测为正的结果是否可靠”；召回率更关注“真实为正的样本是否被找回”。

例如，在类别数量相对均衡、错误代价也接近的分类任务中，准确率通常比较容易解释。但如果任务非常关注漏检，就需要重点查看召回率；如果任务非常关注误报，就需要重点查看精确率。

要点：分类模型评估不应只看单一指标。指标选择应服务于任务目标，而不是只追求某个数值更高。

准确率适合用于快速了解模型在整体样本上的正确预测比例。它计算方式直观，适合作为分类模型评估的基础指标之一。

在以下场景中，准确率通常更容易解释：

准确率的优势在于直观、易沟通，尤其适合说明模型“总体上答对了多少”。但在正式评估中，它更适合作为起点，而不是终点。

准确率能反映总体正确率，但在样本不平衡时需要谨慎解读。样本不平衡是指某些类别的样本数量明显多于其他类别。在这种情况下，模型即使主要预测多数类，也可能得到看起来不错的准确率。

例如，如果某个任务中负样本远多于正样本，模型可能在多数负样本上表现良好，但对少数正样本识别不足。此时，准确率仍可能较高，却无法充分体现模型对关键类别的识别效果。

解读准确率时，可以先检查这些问题：

要点：准确率不是无效指标，但它有适用条件。样本不平衡、错误代价不一致，或任务目标偏向特定类别时，单看准确率往往不够充分。

在对象检测等视觉任务中，评估通常不会只依赖单一准确率指标，还会涉及精确率、召回率、F1 分数以及精确率-召回率曲线等指标。原因在于，对象检测不仅关心类别判断，还要关注目标是否被检出、是否出现误检，以及整体检测结果是否符合任务要求。

可以按“任务需求 → 重点指标 → 解读方式”的思路选择评估指标：

实际评估时，准确率可以帮助建立整体判断，但最终仍要回到任务目标：如果漏掉目标的影响更大，就不能只看准确率；如果误报会带来较高成本，就要重点分析精确率；如果两者都重要，则需要结合 F1 分数或相关曲线进一步判断。

Accuracy（准确率）是什么意思？

Accuracy（准确率）是模型预测正确结果占全部样本的比例，用来衡量模型在整体样本上预测正确的频率。它是分类任务中常见的评估指标之一。

准确率公式怎么计算？

准确率和精确率、召回率有什么区别？

为什么不能只看 Accuracy（准确率）？

对象检测任务也使用准确率吗？