如果没有黄金标准，您的示例就没有意义，评估措施通过将预测标签与真实标签进行比较来工作。

回答您的问题：精度本身不足以评估模型，它总是与召回一起使用。事实上，这两者经常结合成 F 分数。

• 精度仅代表正确的正预测在所有正预测中的比例。
• 召回率仅代表所有黄金正例中正确正例预测的比例。

我在这里错过了什么吗？或者是否有更好的二进制分类指标可以限制误报的数量，同时产生最多的真阳性？

• “限制误报的数量”-> 精度
• “产生最多的真阳性”-> 召回

技术上的准确性满足两个条件：

然而，准确性并不能区分正例和负例，这通常是一个问题（除非类是平衡的）。