待验证50% 置信事实精确时间
宏平均准确率先分别计算每个类别的准确率再取算术平均，对少数类别的表现更为敏感；总体准确率是所有样本中预测正确的比例，容易受类别样本数量分布的影响。
1
来源数
50%
置信度
长期有效
时效性
2026/10/27
首次发现
来源
涉及实体
相关事实
待验证在不平衡分类问题中，即使模型将所有样本都预测为多数类也能获得很高的准确率，因此需要转向精确率-召回率曲线、F1分数、Matthews相关系数或AUC-ROC等更具鉴别力的指标77% 相似待验证精确率指模型判定为正例的样本中真正为正例的比例，召回率指所有真正正例中被模型成功识别的比例，两者通常呈反向关系77% 相似待验证平均准确率会掩盖分布偏差，一个在简单案例全对、困难案例过度自信的裁判可以刷出高平均分却在关键处失灵76% 相似待验证在类别极不平衡的数据上，准确率会奖励评判者在容易的多数类上达成一致，而 Cohen's kappa 校正了随机一致的可能性，因此应使用 kappa 而非准确率。75% 相似待验证意图分类的评估指标通常是准确率（Accuracy）或宏平均F1，因为类别分布往往不均衡。74% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1102023API
curl https://kongchang.com/api/v1/knowledge/claims/1102023MCP
get_claim(id=1102023)