【机器学习300问】30、准确率的局限性在哪里？

news2025/2/26 13:39:39

一、什么是准确率？

在解答这个问题之前，我们首先得先回顾一下准确率的定义，准确率是机器学习分类问题中一个很直观的指标，它告诉我们模型正确预测的比例，即

$Accuracy=\frac{N_{correct}}{N_{total}}$

还是用我最喜欢的方式，举例子来解释一下：

        假设我们的任务是将苹果（1）和橘子（0）分开，按照水果的形状、颜色特征来识别并分拣。现在有一个篮子，里面装满了分好的水果。现在，我们要评估一下我们今天工作的准确性。我们就开始一个个地检查篮子里的水果。如果篮子里有100个水果，其中90个是正确分类的（苹果1），那么我们的分拣准确率就是90%。

        准确率（Accuracy） = （正确分类的水果数量） / （篮子里水果的总数量）

        在这个案例中：准确率 = 90 / 100 = 0.9 或 90%

关于更多其他评估指标，也可以读读我之前的文章作为补充哦。

【机器学习300问】25、常见的模型评估指标有哪些？http://t.csdnimg.cn/pGYSw

二、准确率局限在哪儿？

准确率虽然是一个直观的模型评估指标，但它有一些局限性，尤其是在处理不平衡数据集（即数据集中某些类别的样本数量远多于其他类别）时。那为什么不平衡的数据集就会导致准确率失去作用呢？

（1）罕见疾病诊断任务为例

目的是预测一组患者是否患有某种疾病。设想这个疾病相对较罕见，所以在1000名患者中，也许只有10人实际上患有这种疾病。患病的人（正类）没有患病的人（负类），一个简单的模型可能会采取最保守的策略，预测所有人都没有患病。

按照准确率的计算方式，这个模型将会有一个很高的准确率：

$Accuracy=\frac{990+0}{1000}=0.99$

因为模型预测所有的人都没患病，但实际上有10个人患病，所以模型预测对了990个人，于是分子为990，但是对实际临床应用没有任何价值，因为它没有识别出任何真正的病例。这就是准确率的局限性所在：在不平衡数据集的情况下，它没有考虑到预测的分布是否匹配了现实情况，也没有区分假阳性和假阴性的错误类型。

在医疗领域，漏诊（False Negative, FN, 假阴性）的后果通常比误诊（False Positive, FP, 假阳性）更严重。例如，如果模型未能正确识别出癌症患者，可能导致病情延误、治疗不及时甚至危及生命；而误诊为癌症可能会带来不必要的心理压力和过度治疗，但可以通过进一步检查和专家复核来降低风险。准确率指标无法反映这种重要类别（患病）的识别效果。

漏诊（False Negative, FN, 假阴性）模型猜错了[False]，猜的是没有得病[Negative]，实际上这个人是得病了
误诊（False Positive, FP, 假阳性）模型猜错了[False]，猜的是得病了[Positive]，实际上这个人没得病

（2）电商平台推荐奢侈品任务为例

假设我们正在开发一个系统来为用户推荐高端奢侈品牌商品，通常情况下，消费高端奢侈品的用户群体相比整体用户群体来说要小得多。在所有用户中，可能只有一小部分用户会对奢侈品产生购买行为。因此，数据集在这里是不平衡的，即购买用户（正类）远少于非购买用户（负类）。

假设在一个数据集中，有10000名用户，其中只有100名用户实际购买了奢侈品。如果我们的推荐系统简单地对所有用户都不推荐奢侈品，那么它将在9900个用户身上做出正确的决策（不推荐给不会购买的用户），看上去好像这个推荐系统的准确率很高

$Accuracy=\frac{9990+0}{10000}=0.99$

这个推荐系统实际上完全失败了，因为它没有成功推荐任何一名用户购买奢侈品，即所有有购买意愿的用户（100名）都被忽略了。

在推荐奢侈品时，误推的成本（False Positive, FP, 假阳性）可能非常高昂。如果推荐给一个对奢侈品兴趣不大或者经济能力不足的用户，不仅浪费了宝贵的推广资源，还可能损害用户体验，降低用户对平台的信任度。漏推的成本（False Negative, FN, 假阴性）同样重要。如果未能识别出潜在的奢侈品买家并向他们推送相关商品，可能导致销售机会的流失和利润减少。