在实际机器学习中，我们往往会遇到一个问题：数据严重不均衡（Skewed Dataset）
这会导致：
- 准确率（Accuracy）完全失效
- 需要新的评估指标（Precision / Recall / F1）
一、倾斜数据集（Skewed Dataset）
1.1 什么是倾斜数据集？
某一类数据远多于另一类
举例
垃圾邮件检测：
- 99%：正常邮件
- 1%：垃圾邮件
1.2 为什么 Accuracy 会失效？
假设模型什么都不做：全部预测为"正常邮件"
那么：
- 准确率 = 99% （看起来很高）
- 实际效果 = 完全没用
1.3 正确做法：使用新的评估指标
我们需要关注：
- 精确率（Precision）
- 召回率（Recall）
1.4 混淆矩阵（Confusion Matrix）
定义：
| 预测正类 | 预测负类 | |
|---|---|---|
| 实际正类 | TP | FN |
| 实际负类 | FP | TN |
1.5 小总结
倾斜数据集下：
Accuracy 不可靠
必须使用 Precision / Recall
二、精确率（Precision）与召回率（Recall）
2.1 精确率（Precision）
预测为正的里面，有多少是真的？
举例
垃圾邮件检测：
- 预测为垃圾邮件：100封
- 实际垃圾邮件：80封
Precision = 80%
2.2 召回率（Recall）
实际为正的，有多少被找出来？
举例
实际垃圾邮件有100封：
- 找到80封
Recall = 80%
2.3 一句话理解
- Precision：预测准不准
- Recall：找得全不全
三、Precision vs Recall 的权衡（Trade-off）
3.1 为什么会冲突？
因为"判定标准（阈值）"不同
情况一：严格判断（高门槛）
- 只有非常确定才判为正类
结果：
- Precision ↑（更准）
- Recall ↓（漏掉很多）
情况二：宽松判断（低门槛）
- 只要有一点可能就判为正类
结果：
- Recall ↑（找得更多）
- Precision ↓（误判变多）
3.2 举例
医疗诊断（癌症检测）更重要的是：
- Recall（召回率）
因为：
- 宁可误诊（FP）
- 也不能漏诊（FN）
垃圾邮件过滤 更重要的是：
- Precision（精确率）
因为：
- 不能把正常邮件当垃圾
3.3 可视化理解（阈值变化）
阈值高 → Precision高，Recall低
阈值低 → Recall高，Precision低
3.4 F1 Score（折中指标）
当你想平衡两者：
特点
- 同时考虑 Precision 和 Recall
- 常用于不均衡数据集
3.5 小总结
Precision 和 Recall 没有"谁更好"，只有：
哪个更符合业务目标
四、实战策略总结
4.1 遇到倾斜数据集怎么办？
不看 Accuracy，看 Precision / Recall / F1
4.2 如何选择指标？
| 场景 | 更重要指标 |
|---|---|
| 医疗诊断 | Recall |
| 风控（诈骗检测） | Recall |
| 搜索推荐 | Precision |
| 垃圾邮件 | Precision |
4.3 调参方向
通过"调整阈值"控制：
- 提高 Precision → 提高阈值
- 提高 Recall → 降低阈值
五、最终总结
在不平衡数据中：
"预测对多少"不重要，重要的是"对的是什么"