模型准确率
输入混淆矩阵，计算分类准确率及各类别正确率，适用于模型效果评估、错误分析与报告产出。
🧮 Model Accuracy Calculator
Compute overall accuracy and per-class accuracy from a confusion matrix, for model evaluation and error analysis reports.
📐 计算公式 / 原理
准确率 = (TP+TN)/(TP+TN+FP+FN)×100%
分类模型最直观的整体判对比例。它隐含"各类代价相同"的假设，当负样本占绝大多数时（如 99:1 的欺诈检测），恒判负类即可拿到 99% 准确率却毫无价值，此时必须配合精确率、召回率或 MCC 一起判读。
📐 计算公式与说明
Accuracy = (TP+TN)/(TP+TN+FP+FN)
类别不均衡时准确率易误导，应结合其他指标。
📚 深度解析：模型准确率
💡 常见使用场景
- 整体准确率=(正确预测数)/(总样本数)，按混淆矩阵 TP+TN 之和计算。
- 各类别正确率=该类别预测正确数/该类别样本数，揭示对少数类的表现。
- 类别不平衡时整体准确率易虚高，需结合宏/微平均与混淆矩阵解读。
整体与各类别
三类各 100 样本，A 类对 90、B 类对 80、C 类对 60 → 整体准确率=(90+80+60)/300=76.7%；各类别 90%/80%/60%，可见模型在 C 类最弱。
❓ 常见问题（FAQ）
- 整体准确率高但某类很差是正常的吗？
- 在不平衡或多类场景中常见，说明模型偏向多数/易分样本。应报告各类别准确率与混淆矩阵，而非只看整体数字。
- 准确率和 F1 冲突听谁的？
- 看业务代价。若漏检/误判代价高(医疗、风控)，优先看精确率/召回/F1 与具体类别指标，而非整体准确率。