Accuracy、Precision、Recall、F1 和 AUC 怎么选？

3 分钟速学卡

30 秒口述： 我不会脱离业务代价选指标：类别较均衡且错判代价接近时可看 Accuracy；误报昂贵时重点看 Precision，漏报昂贵时重点看 Recall。F1 是 Precision 与 Recall 的调和平均，适合需要单值平衡但不表达概率校准和真实成本；ROC-AUC 衡量跨阈值排序，极不平衡时还要看 PR-AUC。最终阈值应在验证集按成本和容量选择，并在独立测试集报告混淆矩阵、切片指标和校准。

• 本质： 先定义错判代价和使用阈值，再选能回答业务问题的指标组合。
• 核心机制： Accuracy 适合类别和错误成本相对均衡的概览；Precision 管误报，Recall 管漏报，F1 做对称折中。
• 关键判断： AUC 看排序，不替代阈值与概率校准；必须报告混淆矩阵、切片表现和样本基率。
• 项目落地： 示例项目：风险审核先定义漏放和误杀成本、人工审核容量及合规底线，在验证集扫描阈值，找到满足最低 Recall 的方案中 Precision 较高者。测试集按渠道、地区和新老用户切片，并同时报告样本量与置信区间。
• 边界与坑： “类别不平衡就不能用 Accuracy”：不是绝对不能用，而是不能单独使用；“F1 越高业务越好”：F1 默认等权，可能不符合错误成本。

目录

• 面试官为什么问
• 小白先看懂
• 核心原理
• 项目和生产视角
• 常见错误回答
• 递进追问
• 关联阅读
• 总结

面试官为什么问

面试官真正想看的是候选人能否把指标连接到混淆矩阵、阈值、类别基率和业务损失，而不是背公式。

小白先看懂

机场安检要找违禁品：Recall 高意味着尽量不漏掉危险物；Precision 高意味着被拦下的人大多确有问题，减少无辜旅客成本；Accuracy 是全部判断中正确的比例，但危险品极少时“全部放行”也可能看起来很高。F1 在查全和查准间折中，AUC 则看系统能否把高风险旅客整体排在前面。

类比没有给出不同错误的货币、合规和容量成本，也没有表达概率是否可信；实际阈值必须由业务约束决定。

图：教学图片｜Accuracy、Precision、Recall、F1 和 AUC 怎么选？

替代文本： 16:9 中文教学信息图，左侧机场安检形成 TP、FP、FN、TN 四格，右侧是按业务风险选择指标的清晰分区。

读图结论： 误报贵看 Precision，漏报贵看 Recall。AUC 不替代部署阈值。

这张图片用于用安检场景解释分类指标与业务代价。精确公式、参数、失败分支和事实边界仍以正文与 Mermaid 为准。

图片生成记录： model=gpt-image-2，generated=2026-07-15，prompt_version=v1，reviewed=2026-07-16，review_basis=user-confirmed；查看生成 Prompt。

图：从混淆矩阵到指标选择

替代文本： 真实正负与预测正负形成 TP、FP、FN、TN；误报成本指向 Precision，漏报成本指向 Recall，整体正确指向 Accuracy，排序能力指向 AUC。

图表加载中…

读图结论： 指标由错误成本和使用方式决定；同一个模型在不同阈值下会得到不同 Precision 和 Recall。

核心原理

$$Accuracy=\frac{TP+TN}{TP+FP+FN+TN}$$$$Precision=\frac{TP}{TP+FP},Recall=\frac{TP}{TP+FN}$$$$F1=2\cdot \frac{Precision\cdot Recall}{Precision+Recall}$$

ROC-AUC 可理解为随机抽取一对正负样本时，正样本得分高于负样本的概率；PR-AUC 对少数正类的查准—查全变化更敏感。AUC 不给出部署阈值，也不保证概率校准。

项目和生产视角

示例项目： 风险审核先定义漏放和误杀成本、人工审核容量及合规底线，在验证集扫描阈值，找到满足最低 Recall 的方案中 Precision 较高者。测试集按渠道、地区和新老用户切片，并同时报告样本量与置信区间。

上线后监控基率、阈值、混淆矩阵代理指标和校准漂移。本文没有真实业务代价或指标数据，不声称某指标普遍最优。

常见错误回答

• “类别不平衡就不能用 Accuracy”：不是绝对不能用，而是不能单独使用。
• “F1 越高业务越好”：F1 默认等权，可能不符合错误成本。
• “AUC 高就能上线”：还需阈值、校准、切片、延迟和容量验证。
• “Precision 和 Recall 可以同时任意提高”：固定模型下通常受阈值权衡约束。

递进追问

1. 为什么极不平衡任务更关注 PR 曲线？
2. F1 与 Fβ 的选择依据是什么？
3. AUC 高但线上效果差可能有哪些原因？
4. 如何在人工审核容量固定时选阈值？
5. 多分类任务的 micro、macro 和 weighted 平均有什么区别？

关联阅读

• 正式主题：传统机器学习与评测
• 专项题库：传统机器学习与评测

总结

一句话记忆： 先定义错判代价和使用阈值，再选能回答业务问题的指标组合。

• Accuracy 适合类别和错误成本相对均衡的概览。
• Precision 管误报，Recall 管漏报，F1 做对称折中。
• AUC 看排序，不替代阈值与概率校准。
• 必须报告混淆矩阵、切片表现和样本基率。