模型分类准确率有 90%，为什么少数类别仍然可能一条都没分对

一个分类器准确率达到九成，仍可能完全识别不了少数类别。假设一百条样本里九十条普通、十条紧急，分类器一律预测普通，整体恰好九成正确，但十条紧急全部漏掉。验收不能只看总分，应保留每一类的支持数与混淆关系。

先写出分母从哪里来

本文是单标签、两类别且包含全部类别的合成集合。普通类真正例九十、假正例十、假负例零，因此 precision 为零点九、recall 为一；F1 为十八除以十九，约零点九四七。紧急类真正例零、假负例十，召回为零。该类没有预测为正的样本，precision 的分母为零，本文明确按零计。

零分母政策必须随报告发布。也可以采用其他合理展示方式，但不能把未定义值悄悄忽略，导致综合分数升高。scikit-learn 的分类报告资料说明逐类指标和不同平均方式，附件按同样数学定义纯离线复算，没有安装或调用真实模型。

不同平均方式回答不同问题

macro F1 对两类同权，约零点四七四；weighted F1 按九十比十加权，约零点八五三。整体 accuracy 为零点九。三个值不同，不是谁算错，而是权重不同。单标签且统计全部类别时，micro 指标与 accuracy 的关系也要放在这个限定条件下解释，不能推广到任意多标签任务。

附件交付原始标签、预测标签、每类 TP、FP、FN、支持数和汇总值。检查器从原始列表重算，而不是只读取一份预先填好的分数。故意把紧急召回写成一的反例，会与计数不符，不能通过参考结果核对。

少数类失败要回到任务代价

如果紧急样本需要人工优先处理，零召回可能比普通类多几条误报代价更高。是否接受模型，应依据任务阈值和误判成本，而不是单独追求平均分。本文不指定医疗、金融等高风险业务阈值，也不从一百条合成数据得出统计可靠性结论。

失败反例是把支持数隐藏，只展示 weighted F1。多数类的良好表现可能掩盖少数类的彻底失败。另一种是评测集漏掉某类，却把该类显示为百分之百；没有样本不能证明表现优秀，应明确列为没有覆盖。

真实评测还需检查标签质量、样本来源和训练测试隔离。本例没有调用模型，九成是人工构造的数据比例，不是任何产品性能。报告保留类别明细、零分母政策与样本总数，能让读者独立复算，也能在下一次更换模型时逐样本比较退步。

配套文件与依据

本文的合成输入和参考结果可下载独立样本 a035.json，离线检查器 a035.py与样本放在同一目录后运行。检查器不调用模型接口。 使用 Python 3.12 或兼容版本，将上述文件下载到同一目录，执行 python a035.py。

一手资料1。资料核对日期：2026-10-24。