RocketLab1. 混淆矩阵：模型评估的第一块积木
第一次看到"混淆矩阵"这个词时，我以为是某种复杂的数学工具。实际上它就像小学生用的乘法口诀表——用最简单的表格形式，直观展示模型预测的"对与错"。想象你在教AI玩"找猫咪"的游戏：给它100张图片，让它标记哪些是猫。最后你拿出这张表格：
| 预测是猫 | 预测不是猫 | |
|---|---|---|
| 实际是猫 | TP=30 | FN=10 |
| 实际不是猫 | FP=5 | TN=55 |
这个2x2的表格藏着模型所有的秘密。TP（真正例）是AI正确找到的猫咪，就像它指着布偶猫说"这是猫"；FN（假负例）是漏网的猫咪，比如把暹罗猫误认成狐狸；FP（假正例）则是把毛绒玩具错认成真猫的乌龙事件。我第一次训练图像分类模型时，FP里甚至出现了"把炸鸡块识别成猫"的案例——这就是为什么我们需要这些指标。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 准确率的陷阱与样本不均衡危机
很多人拿到模型首先看准确率：(TP+TN)/总数。上面例子的准确率是(30+55)/100=85%，看起来不错？但假设数据变成990张非猫图片和10张猫图片，即使模型永远说"不是猫"，准确率也有99%。这就是样本不均衡时的经典陷阱。
我在金融风控项目里就踩过这个坑。当时用准确率98%的模型检测信用卡欺诈，上线后才发现它只会说"正常交易"——因为欺诈交易占比不到2%。后来我们改用精确率和召回率：
- 精确率=TP/(TP+FP)：模型说是猫的图片里，有多少真猫
- 召回率=TP/(TP+FN)：所有真猫图片里，模型找出多少
这两个指标就像严格的质量检查员：一个盯着模型"不乱说话"，一个盯着模型"不偷懒"。
3. F1分数：精确率与召回率的平衡术
但精确率和召回率常常"打架"。在医疗检测场景，提高召回率（尽量不漏诊）会导致更多假阳性（把健康人误诊为患者）；追求高精确率（确诊必准确）又会让部分患者漏诊。这时就需要F1分数——它像聪明的裁判，用调和平均数平衡两者：
code复制F1 = 2*(精确率*召回率)/(精确率+召回率)
我常用一个比喻：精确率是"宁缺毋滥"，召回率是"宁可错杀