AI分类评估：准确率、误报与漏报

让AI筛选需要人工处理的反馈时，既可能把普通反馈误报为问题，也可能漏掉真正的问题。只看一个总体准确率，很难知道下一步应该修正哪类错误。

浅色主题概念配图，选自本站AI生成图库；非事件现场或产品实测截图。

先约定什么叫正例

自拟练习把需要处理的反馈标为1，普通反馈标为0。人工参考答案为1、1、0、0，系统预测为1、0、1、0：命中、漏报、误报和正确排除各一条。标签含义要先固定，不能在统计后为了数字好看再换方向。

两个分母回答不同问题

精确率关注被报为问题的记录中有多少是真的，公式为TP/(TP+FP)；召回率关注真正的问题中找出了多少，公式为TP/(TP+FN)。本例两者都是一半，但它们并不总相等。不存在预测正例等情况时，要另行说明零分母处理约定。

按错误成本选择改进方向

本站建议保留误报和漏报的具体例子，再讨论阈值与人工复核流程。不要把小型虚构练习当成模型效果报告，也不要仅凭单一分数决定系统可否自动处理所有反馈。下面不用外部库，仅验证计数公式。

可以运行的练习

truth = [1, 1, 0, 0]
predicted = [1, 0, 1, 0]
pairs = list(zip(truth, predicted, strict=True))
tp = sum(t == 1 and p == 1 for t, p in pairs)
fp = sum(t == 0 and p == 1 for t, p in pairs)
fn = sum(t == 1 and p == 0 for t, p in pairs)
assert (tp, fp, fn) == (1, 1, 1)
precision = tp / (tp + fp)
recall = tp / (tp + fn)
assert precision == recall == 0.5
print(precision, recall)

示例已在本地隔离环境运行检查。使用固定输入，不访问外部接口，也不读取真实业务文件。