模型评估指标速查

评估指标决定你如何判断模型好坏。不同任务需要不同指标，选错指标会让模型看起来很好，但实际无法使用。

分类任务

Accuracy，准确率：预测正确的比例。类别均衡时直观，类别不平衡时可能误导。

Precision，精确率：预测为正的样本中有多少是真的正。

Recall，召回率：真实为正的样本中有多少被找出来。

F1 Score：精确率和召回率的综合。

AUC：衡量模型区分正负样本的排序能力。

回归任务

MAE：平均绝对误差，容易理解，对异常值不如 MSE 敏感。

MSE：均方误差，对大误差惩罚更重。

RMSE：MSE 开平方，单位和原目标一致。

R²：解释方差比例，反映模型相对基线的解释能力。

生成任务

BLEU：机器翻译常用，关注 n-gram 重合。

ROUGE：摘要常用，关注和参考答案的重合。

Human Evaluation，人工评估：对有用性、事实性、流畅度、安全性打分。生成式任务往往离不开人工评估。

检索和推荐

Recall@K：前 K 个结果中找回相关内容的比例。

Precision@K：前 K 个结果中有多少相关。

MRR：第一个正确结果排名越靠前分数越高。

易混淆点

高准确率可能只是因为负样本很多。高 BLEU 不代表译文自然。离线指标高，不一定线上用户满意。指标必须和业务目标对应。

使用建议

先确定错误代价。如果漏掉风险样本代价高，就重视召回率；如果误报代价高，就重视精确率。生成式 AI 应同时评估事实性、格式遵循、安全性和用户满意度。