题目重点：从 TP/FP/FN/TN 推导指标，解释零分母、类别不平衡与业务成本。
题意与假设
这道练习题保留了面经中值得训练的核心约束，并将需要澄清的条件单独列出。现场拿到变体时，先和面试官确认这些条件。
- 二分类正类先定义；零分母按明确报告政策，不默认永远0。多分类micro/macro需另约。
解题路线
- Precision=TP/(TP+FP)衡量预测正中的正确比例，Recall=TP/(TP+FN)衡量真实正被发现比例。F1=2TP/(2TP+FP+FN)，强调二者平衡但不含TN。
- 阈值降低通常提高recall并增加误报，precision是否严格单调依数据而定；选择依据误报/漏报成本和业务容量。
- 极不平衡时accuracy可能很高但完全漏正类。固定precision的recall、PR曲线和分群指标往往更能解释需求。
- 没有预测正或没有真实正时对应比率未定义；报告分母与政策。F1的零分母也须处理，不让库默认值代替需求。
手动走一遍
TP=8、FP=2、FN=4、TN=86：precision=.8，recall=2/3，F1=16/22≈.727。全预测负可有90%accuracy，但召回为0；不能拿accuracy证明有效识别风险。
规模与取舍
一次评估N样本 O(N)时间、固定类别 O(1)统计；扫全部阈值先排序 O(N log N)，同分数应整组移动。
易错点与追问
容易失分的边界
- F1包含TN。
- 阈值降低precision必然严格下降。
- 不同正类定义直接比较。
继续深挖
- micro与macro各强调什么？
- 如何给指标置信区间？
