在不平衡的样本中可能会产生误导

因此，总体准确度并不是最可靠的指标。然而，它对于平衡的数据集和错误不严重的情况很有用。

使用总体准确度的好处：

• 计算方法简单、清晰、快速
• 适用于平衡数据集。
• 广泛适用于各类分类模型

使用总体准确度的缺点：

• ，因为它隐藏了小类别的弱性能；
• 不区分不同类型的错误（假阳性与假阴性）；
• 不适用于不同错误成本不同的情况。

何时使用整体准确度：

• 平衡的数据集：当正面和负面情况出现的比例相似时，准确性最有效。
• 低成本错误：当假阳性 企业电子邮件列表 和假阴性同等重要或影响较小时（例如垃圾邮件分类）。
• 初始模型评估：准确度通常用作基线指标，以便在转向更详细的指标（例如预测准确度、召回率或 F1 分数）之前快速评估模型。

预测准确率

准确率是评估模型的两个最重要的指标之一（另一个是召回率）。它衡量阳性预测的准确性，计算为所有正确的阳性预测与标记为阳性的病例总数的比率。

在大多数情况下，预测准确度是比总体准确度更准确的指标（是的，这是一个令人困惑的双关语），并且在假阳性比假阴 阿列克谢·博亚尔金 性更有害的情况下尤其重要。

在您阅读了上一段 5 遍并且完全感到困惑之后，我们建议您返回到我们的干草堆。如果我们的模型将 100 个物体识别 新加坡电话列表为针头，但实际上其中 90 个是真正的针头（真阳性），10 个是吸管（假阳性），那么我们可以说准确率为 90%。