评估 AI 分类效果时，精确率和召回率是一对「互相拉扯」的指标：想把报出来的都弄对，就容易漏掉一些；想把该抓的都抓到，就容易混进无关的。理解这对矛盾背后的取舍，比背公式有用得多，它是判断一个模型「靠不靠谱」的基本功。
精确率问「报的准不准」
精确率关心的是：模型说「是」的这批样本里，有多少真的是。它的分母是模型判成「是」的总数，分子是其中真对的。精确率高，意味着模型不乱报——它标出来的东西几乎都是真的，代价是可能漏掉一些它没敢标的。把判定门槛调严，精确率往往上升，因为敢说「是」的都是很有把握的。
召回率问「抓的全不全」
召回率关心的则是：所有真正「是」的样本里，模型抓到了多少。分母是真实为正的总数，分子是被正确抓出来的。召回率高，意味着几乎不漏——该找的都找出来了，代价是里面混进了一些不是的。门槛调松，召回率上升，因为模型更愿意说「是」。
为什么很难同时高
两个指标的分母不同，注定了它们此消彼长。门槛调严，误报减少、精确率升，但一些边缘的正样本被挡在门外，召回率降；门槛调松，召回率升，但混进来的误报把精确率拉低。工程上很少能两个都拉满，只能按业务选一个侧重。所以讨论指标前，先问一句：这个场景里，哪种错误更不能接受。
门槛到底怎么调
分类模型对每个样本输出的往往是一个介于 0 到 1 的分数，代表「判成是」的把握，默认常用 0.5 作为分界，高于就判「是」，低于就判「否」。这个分界点就是门槛，也是调节精确率与召回率的旋钮：把门槛从 0.5 提到 0.8，敢说「是」的变少，精确率上升、召回率下降；降到 0.2 则相反。同一个模型，换一个门槛，就得到一组完全不同的精确率与召回率。所以讨论这两个指标时，要同时说明门槛设在哪，否则数字没有可比性。
看哪种错误更疼，再选侧重
| 场景 | 更该看重 | 理由 |
|---|---|---|
| 内容审核 | 精确率 | 误伤正常内容会伤害体验，宁可漏也要少误报 |
| 风险排查 | 召回率 | 漏掉一个代价很高，宁可多查也不能放过 |
| 邮件过滤 | 精确率 | 误删重要来信比放进垃圾邮件更麻烦 |
以找「发票」为例：精确率优先，意味着模型标为发票的几乎都是发票，但可能漏掉几份；召回率优先，意味着几乎每份发票都被找出，但里面混进了别的文件。选哪个，是产品目标决定的，不是指标本身能告诉你的。
F1 是折中，不是答案
很多场景会用 F1 值把精确率和召回率合成一个数，方便横向比较。但合成会掩盖取舍方向——同样 0.8 的 F1，可能来自高精确低召回，也可能相反。做关键决策时，仍要把两个数拆开看。这也解释了为什么代码补全的评测要看补出来的建议能不能直接采纳，翻译古文这类低资源文本要看漏没漏、错没错，语音合成则要看念错的源头在哪：不同任务的容错点不同，单一指标压不平这些差异。
什么时候两个指标会一起失真
精确率与召回率也有各自的盲区。当正样本极度稀少时，精确率的分母很小，几个误报就能把它砸下去；当正样本极多、几乎全是「是」时，召回率又容易虚高。多分类任务里，还要对每一类分别算精确率与召回率，再谈总体的评价。遇到类别极不平衡的数据，单看任何一个指标都可能给出误导性的结论，此时需要回到混淆矩阵，把四个格子逐一摊开看。
速查：精确率与召回率一句话
- 精确率：模型说「是」的里面，有多少真的对，管「别乱报」。
- 召回率：真实为「是」的里面，抓到了多少，管「别漏掉」。
- 此消彼长：门槛严则精确率升召回率降，反之亦然。
- 取舍：看哪种错误更疼，按业务定侧重，F1 只做参考。
