概念准确率
Accuracy
分类模型评估指标，计算正确预测数占总预测数的比例，在空白字段较多的IDP场景中容易因正确识别空白（TN）被计入而虚高
核心事实
时间轴 (近 90 天)
10月26日
在存在大量空白字段的表单场景中，正确识别空白字段（correct blank）如果被计入True Negative，会使Accuracy虚高，可能掩盖模型在真实信息提取上的不足。
待验证50%
10月26日
Jaccard Index（IoU）被描述为“没有True Negative的Accuracy”，只关注正例重合，不涉及TN计数，因此在空白字段较多的表单场景中比Accuracy更稳健。
待验证50%
全部知识事实 (4)
已验证
在样本严重不均衡时，精度(Accuracy)会产生误导，模型把所有人都预测为健康精度照样能达到99%以上
70%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%待验证在存在大量空白字段的表单场景中，正确识别空白字段（correct blank）如果被计入True Negative，会使Accuracy虚高，可能掩盖模型在真实信息提取上的不足。
50%待验证Jaccard Index（IoU）被描述为“没有True Negative的Accuracy”，只关注正例重合，不涉及TN计数，因此在空白字段较多的表单场景中比Accuracy更稳健。
50%