精确率
分类模型评估指标，衡量模型标记为正例的样本中真正属于正例的比例，在金融风控中对应误报率
核心事实
时间轴 (近 90 天)
选择精确率还是召回率优先取决于错误的代价：垃圾邮件过滤更怕误杀正常邮件，精确率权重更高；疾病筛查更怕漏诊，召回率权重更高。
评测专用安全模型常用基准包括漏洞检测的精确率/召回率、误报率，以及真实靶场中的端到端发现效率。
误报（false positive）是 AI 代码审查落地的核心阻力，衡量审查工具价值的常用指标包括精确率和召回率。
以 0.01 为步长扫描阈值时，精确率上升而召回率下降，两者在阈值 0.63 附近交叉（P≈0.733，R≈0.725），F1 峰值在阈值 0.41 处（F1≈0.758）。
精确率 = 真正例 / (真正例 + 假正例)，召回率 = 真正例 / (真正例 + 假负例)；F1 是二者的调和平均，隐含二者同等重要的假设。
默认 0.5 阈值不是任何指标的最优解；阈值选择应基于误判代价，漏掉正样本成本高时左移阈值提高召回，误报成本高时右移提高精确率。
精确率、召回率、F1 值、准确率均可由混淆矩阵的四个数字推导。
在文章设定的混淆矩阵场景下，贝叶斯公式计算出的精确率约为 42.86%，与传统定义 TP/(TP+FP) 的计算结果完全一致。
贝叶斯精确率公式为 Precision = (Recall × Prevalence) / [(Recall × Prevalence) + (FPR × (1 - Prevalence))]。
精确率（Precision）本质上是在给定预测为正例的条件下，计算真实为正例的后验概率。
还有 23 条时间轴事件
全部知识事实 (20)
F1分数是精确率与召回率的调和平均，当两者权重不同时可改用Fβ分数体现优先级
75%已验证F1分数是召回率和精确率的调和平均数
75%已验证RAG评估中，召回率衡量相关文档是否被完整检索到，精确率衡量找回文档是否真的相关，忠实度衡量回答是否有检索文档依据
65%已验证在AI信息检索中存在「召回率」与「精确率」的经典权衡：AI Agent倾向于高召回策略（尽可能多地收集来源），而精确率的把控需要人类专业判断来兜底
65%已验证业界通常使用F1分数（精确率和召回率的调和平均值）来综合评估术语识别性能
65%已验证精度(Accuracy)的计算公式为(TP+TN)/(P+N)，即模型预测正确的样本数占总样本数的比例
65%待验证PR曲线在样本不平衡场景下更有价值，根本原因在于精确率的计算不涉及真负例（TN）的数量
90%待验证选择精确率还是召回率优先取决于错误的代价：垃圾邮件过滤更怕误杀正常邮件，精确率权重更高；疾病筛查更怕漏诊，召回率权重更高。
50%待验证评测专用安全模型常用基准包括漏洞检测的精确率/召回率、误报率，以及真实靶场中的端到端发现效率。
50%待验证误报（false positive）是 AI 代码审查落地的核心阻力，衡量审查工具价值的常用指标包括精确率和召回率。
50%待验证精确率 = 真正例 / (真正例 + 假正例)，召回率 = 真正例 / (真正例 + 假负例)；F1 是二者的调和平均，隐含二者同等重要的假设。
50%待验证以 0.01 为步长扫描阈值时，精确率上升而召回率下降，两者在阈值 0.63 附近交叉（P≈0.733，R≈0.725），F1 峰值在阈值 0.41 处（F1≈0.758）。
50%待验证默认 0.5 阈值不是任何指标的最优解；阈值选择应基于误判代价，漏掉正样本成本高时左移阈值提高召回，误报成本高时右移提高精确率。
50%待验证贝叶斯精确率公式为 Precision = (Recall × Prevalence) / [(Recall × Prevalence) + (FPR × (1 - Prevalence))]。
50%待验证在文章设定的混淆矩阵场景下，贝叶斯公式计算出的精确率约为 42.86%，与传统定义 TP/(TP+FP) 的计算结果完全一致。
50%待验证精确率（Precision）本质上是在给定预测为正例的条件下，计算真实为正例的后验概率。
50%待验证精确率、召回率、F1 值、准确率均可由混淆矩阵的四个数字推导。
50%待验证在稀有正例场景（如欺诈、滥用、缺陷检测）中，AUC可能看起来很高，但由于负例池巨大，即使假阳性率很低也会产生大量误报，导致精确率很低。
50%待验证实践中常用精确率（Precision）和召回率（Recall）来量化误报漏报，并借助混淆矩阵分析模型表现。
50%待验证在多分类任务中，准确率在类别样本不均衡时会失真；精确率反映误报程度，召回率反映漏报程度，F1分数是精确率与召回率的调和平均。
50%