【AI概念】精度（Precision）vs 召回率（Recall）vs F1分数（F1 Score）详解（附详尽Python代码演示）| 定义与原理、数学公式、案例与代码可视化、工程应用建议、典型案例

大家好，我是爱酱。本篇将会系统讲解机器学习分类模型中最常用的三大评价指标：精度（Precision）、召回率（Recall）和F1分数（F1 Score）。内容包括定义、数学公式、直观解释、优缺点、典型应用场景和三者的权衡关系，适合初学者和进阶者系统理解。

注：本文章含大量数学算式、详细例子说明及大量代码演示，大量干货，建议先收藏再慢慢观看理解。新频道发展不易，你们的每个赞、收藏跟转发都是我继续分享的动力！

---

一、基础概念与混淆矩阵（Confusion Matrix）

在二分类任务中，模型输出分为四类：

• True Positive (TP)：正类被正确预测为正类

• False Positive (FP)：负类被错误预测为正类

• False Negative (FN)：正类被错误预测为负类

• True Negative (TN)：负类被正确预测为负类

混淆矩阵如下：

	实际为正（Positive）	实际为负（Negative）
预测为正（Positive）	TP	FP
预测为负（Negative）	FN	TN

---

二、精度（Precision）

1. 定义

精度（Precision）衡量的是模型所有“预测为正”的样本中，真正为正的比例。它关