快速开始
-
填写四项
TP、FP、FN、TN 均为非负整数。
-
查看指标
结果保留四位小数，便于写入实验记录。
ML 评估指标计算
分类模型评估或标注质检时，输入混淆矩阵四项，即时得到常用指标。
阅读完整指南: Ollama Modelfile 编写与本地 LLM 实践指南 →
隐私提示：本地解析，不上传服务器。
↓ 在下方输入区粘贴内容，结果会立即显示
输入混淆矩阵 TP/FP/FN/TN，计算精确率、召回率、F1 与准确率。
精确率 (Precision)
0.8889
召回率 (Recall)
0.9412
F1
0.9143
准确率 (Accuracy)
0.985
注释说明
指标说明
适用于二分类评估。多分类或排序任务请使用对应宏/微平均或 AUC 等指标。
分类模型评估或标注质检时，输入混淆矩阵四项，即时得到常用指标。
何时看 Accuracy
类别极不平衡时，准确率可能误导; 更应关注 Precision 与 Recall。
功能与使用场景
根据混淆矩阵或 TP/FP/FN 计算准确率、精确率、召回率、F1 等分类指标，适合模型评估入门。
机器学习作业、Kaggle 结果复核、生产监控指标准备、A/B 模型效果对比时使用。
典型工作流
使用本工具时，首先收集模型预测结果的混淆矩阵数据：真正例(TP)、假正例(FP)、假反例(FN)和真反例(TN)。这些数据通常来自测试集的预测结果与真实标签的对比。将这些数值填入工具对应输入框后，点击计算即可得到精确率、召回率和F1分数等关键指标。
在实际项目中，建议定期使用本工具监控模型表现。例如在迭代优化模型后，用同一测试集计算新指标，与历史数据对比。工具计算结果可截图保存或记录在实验文档中，方便团队讨论和模型调优决策。
示例
示例
Input
TP=80, FP=10, FN=5, TN=905
Output
Precision 0.8889, Recall 0.9412
FAQ
支持多分类吗？
当前面向二分类; 多分类请用宏/微平均或专用工具。
工具会保存我的输入数据吗？
不会。所有计算在浏览器本地完成，不向服务器传输数据。关闭页面后输入即消失，适合处理敏感数据。为防意外丢失，建议提前备份混淆矩阵数值。