为何sklearn分类报告未提供两类合并的精确率、召回率指标？

为啥分类报告不单独展示两类合并的精确率与召回率？ #

其实sklearn的分类报告里已经包含了类似“合并后”的汇总指标——micro avg。在二分类场景下，micro avg的精确率和召回率数值上等于整体准确率，本质就是把两类的TP、FP、FN合并计算后的结果。之所以不单独增设一行“合并指标”，是因为现有的macro avg、weighted avg、micro avg已经覆盖了不同维度的汇总方式，足够满足大多数场景的需求，单独加一行反而会造成冗余。

为啥要拆分呈现两类指标？ #

拆分展示核心是为了精准定位模型在不同类别上的性能短板：

• 二分类场景中，两类的业务价值往往不对等。比如医疗诊断里，“患病”类的召回率直接关系到漏诊风险，“健康”类的精确率关系到误诊成本，拆分指标能让你清晰看到哪类的表现没达标。
• 当数据存在不平衡时，整体指标会严重偏向样本多的类别，拆分后才能发现样本少的类别是否被模型忽略。

合并考量指标的劣势 #

• 掩盖类别不平衡问题：假设90%样本是负类，模型全预测负类，合并后的精确率/召回率（即准确率）能到90%，看起来不错，但正类的精确率和召回率都是0，完全没学到正类的特征，合并指标会直接掩盖这个致命问题。
• 无法体现两类的性能差异：比如模型在正类上精确率很高但召回率极低，负类则相反，合并后的指标会是一个模糊的中间值，你根本不知道模型到底在哪个环节出了问题，没法针对性优化。
• 忽略业务优先级：不同场景对两类的指标要求天差地别——垃圾邮件检测要优先保证正常邮件不被误判（负类精确率），欺诈检测要优先保证欺诈行为不被漏判（正类召回率），合并指标会抹平这些优先级，导致你无法判断模型是否符合业务需求。

内容的提问来源于stack exchange，提问作者tumultous_rooster