二分类任务：类平均准确率与整体准确率为何不相等？

哈哈，这个问题其实是踩了分类任务里指标定义的坑——你混淆了整体准确率和**精确率（Precision）**的概念，我给你拆解清楚：

先明确三个核心指标的计算逻辑 #

• 整体准确率（Overall Accuracy）：这是最直观的指标，就是所有测试样本里被模型正确分类的比例。公式是：

  整体准确率 = (正确分类的类别1样本数 + 正确分类的类别2样本数) / 总样本数
  

  因为你说样本均衡（两类数量一样），假设每类各有N个样本，总样本就是2N，那整体准确率也可以写成：

  整体准确率 = (TP + TN) / 2N
  

  这里TP是类别1被正确分类的数量，TN是类别2被正确分类的数量。

• 你说的“单独测试每类的准确率”：其实这不是准确率，而是精确率——它衡量的是“模型预测为某类的样本里，真正属于该类的比例”。比如：

  • 类别1的精确率 = TP / (TP + FP)，其中FP是把类别2误判成类别1的样本数
  • 类别2的精确率 = TN / (TN + FN)，其中FN是把类别1误判成类别2的样本数

• 而如果是“某类样本被正确分类的比例”，那叫召回率（Recall）：

  • 类别1的召回率 = TP / N
  • 类别2的召回率 = TN / N
    这两个的平均值，在样本均衡的情况下，会和整体准确率完全相等——因为(TP/N + TN/N)/2 = (TP+TN)/2N，和整体准确率的公式一致。

为啥你的数值差这么多？ #

你计算的是两类精确率的平均值，而不是召回率的平均值。这俩指标关注的维度完全不同：

• 整体准确率看的是“所有样本的分类正确率”，不管模型把样本预测成哪类，只要分对就算数；
• 精确率看的是“模型说某类的样本里，真的是该类的比例”，它关注的是模型预测结果的“精准度”，而非整体的正确率。

举个和你数据匹配的简化例子：假设每类各有1000个样本，总样本2000个。整体准确率79.87%，意味着正确分类的总共有1597个（798+799左右）。而类别1的精确率73.41%，说明模型预测为类别1的样本里，73.41%真的是类别1；类别2的精确率63.31%，说明模型预测为类别2的样本里，63.31%真的是类别2。这时候精确率的平均和整体准确率自然没有直接关联，数值差异就出现了。

一句话总结 #

你把“精确率”当成了“单独测试每类的准确率”，这俩不是一回事。只有当你计算的是两类召回率的平均值时，在样本均衡的情况下，才会和整体准确率相等。

内容的提问来源于stack exchange，提问作者Crista23