准确率需确保y_true与y_pred标签空间一致，多分类慎用accuracy_score；precision/recall必须指定average参数；f1平衡precision与recall，非accuracy升级版；混淆矩阵是诊断基础。
准确率（accuracy）怎么算才不踩 sklearn 的坑
直接调 accuracy_score 没问题，但很多人在多分类且标签不连续时掉进索引陷阱：比如真实标签是 [0, 2, 4]，预测输出却是 [0, 1, 2]（模型内部重编号了），这时 accuracy_score 会静默返回错误结果，不报错也不警告。
- 务必确认
y_true和y_pred的标签空间完全一致，可用set(y_true) == set(y_pred)快速校验 - 如果用
LabelEncoder预处理过，评估前必须用同一个实例对预测结果做inverse_transform，不能自己重新 fit - 二分类场景下，
accuracy_score对类别不平衡极度敏感——正样本占 95%，随便全猜正类也能拿到 0.95 准确率，此时它基本没参考价值
精确率（precision）和召回率（recall）必须指定 average 参数
不写参数默认是 average='binary'，只适用于二分类；多分类直接报错 ValueError: Target is multiclass but average='binary'。更隐蔽的问题是，即使你写了 average='macro'，它也会对每个类单独算 precision 再平均，而实际业务中你可能只关心某几个关键类。
- 关键类优先用
classification_report(y_true, y_pred, labels=[1, 3])锁定目标类输出 -
average='weighted'按支持度加权，适合类别数量差异大但想反映整体倾向的场景 - 注意
precision_recall_fscore_support返回的是元组，顺序固定为(precision, recall, fbeta_score, support)，别靠名字取值
F1 分数不是 accuracy 的升级版，它解决的是不同问题
F1 是 precision 和 recall 的调和平均，本质是平衡“宁可漏判也不误判”和“宁可误判也不漏判”两种策略。比如垃圾邮件识别里，把正常邮件判成垃圾（precision 低）比漏掉垃圾邮件（recall 低）后果更严重；而疾病筛查则相反。
- 单看 F1 值高不代表模型好——如果所有类都靠降低阈值硬拉 recall，precision 会崩，F1 却可能虚高
- sklearn 的
f1_score默认用beta=1，若业务更看重 recall，改用fbeta_score(..., beta=2) - 微平均 F1（
average='micro'）等于准确率，仅当每个样本只属于一个类且无标签缺失时成立；有样本多标签或部分标签缺失时，二者会 divergence
混淆矩阵里藏了所有没说出口的细节
准确率、精确率、F1 全是混淆矩阵的派生指标。很多人跳过它直接看 summary 数字，结果发现 F1 高但某个类的 recall 是 0——因为那个类在混淆矩阵里整行都是 0，被 macro 平均稀释掉了。
- 必跑
confusion_matrix(y_true, y_pred)，用np.diagonal(cm)快速扫一遍各类正确数 - 可视化不是为了好看：用
plt.imshow(cm, cmap='Blues')一眼看出哪些类容易互混（非对角线亮块） - 如果某类 support 很小（比如
指标本身没有对错，错的是拿 F1 当万能尺子去量所有任务。尤其当类别边界模糊、标注噪声大、或业务成本不对称时，数值再漂亮也得回看原始预测样本——那才是模型真正“看见”的东西。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
