平衡准确率（Balanced Accuracy）教程

在机器学习中，平衡准确率（Balanced Accuracy）是衡量分类模型性能的重要指标，尤其适用于类别不平衡的数据集。相比普通准确率（Accuracy），它能更公平地反映模型在少数类上的表现。📊

什么是平衡准确率？

平衡准确率通过以下公式计算： $$ \text{Balanced Accuracy} = \frac{1}{K} \sum_{k=1}^{K} \text{Specificity}_k $$ 其中 $K$ 为类别数，$\text{Specificity}_k$ 是每个类别的召回率（Recall）。📉

为什么使用平衡准确率？

• ✅ 避免因多数类样本过多而掩盖少数类性能
• ✅ 更适合医疗诊断、欺诈检测等场景
• ✅ 可与 ROC曲线 结合使用，全面评估模型

scikit-learn 中的实现

1. 导入库

from sklearn.metrics import balanced_accuracy_score

2. 计算示例

y_true = [0, 1, 1, 0, 0, 1]
y_pred = [0, 1, 0, 0, 1, 1]
score = balanced_accuracy_score(y_true, y_pred)
print(score)  # 输出平衡准确率值

3. 多分类场景

from sklearn.metrics import classification_report
print(classification_report(y_true, y_pred, output_dict=True))

注意事项

• ⚠️ 需确保标签顺序一致
• ⚠️ 与 F1 分数、AUC-ROC 需要结合使用
• ⚠️ 适用于二分类和多分类问题

如需深入理解其他评估指标，可参考 ROC曲线教程。