精确率是什么：被选中的结果里有多少真正符合目标
用邮件分类解释 precision 的分母，区分准确率和召回率，并说明阈值、误报及空分母应怎样报告。
先理解这个概念
精确率 precision 是预测为正的结果中，真正为正的比例，公式为 TP/(TP+FP)。它关注选中结果的可靠程度，不是全部样本的准确率，也不是实际目标被找到的比例。使用前应定义正类和参考，误报减少可能改善精确率，但仍需同时检查漏掉了多少目标，不能只用一个高比例代表整个系统质量。
分母包含正确命中与错误命中
Google 与 scikit-learn 的分类指标都把精确率与召回率区分。以垃圾邮件为正类，预测拦截的邮件中既可能有垃圾，也可能误拦普通邮件，后者进入精确率分母。没有预测为正时，分母可能为零，需要按实现说明报告，不能悄悄写成百分之百。多分类任务还有逐类与不同平均方式，报告必须注明，避免一个总体数字掩盖某个重要类别经常误报。日常说“更精确”不能替代这里的数学定义。
用小例子核对指标是否算对
假设六封邮件被标成垃圾，其中四封确实是垃圾，精确率就是四除以六；这不说明剩余邮件里有没有漏掉垃圾。例子只是计算演示，不是模型测试成绩。实际评测应保存逐条预测和人工参考，核对误报来自规则含糊还是模型错误。比较版本时保持阈值与样本口径明确，不能一边只挑最确定结果、另一边接收所有结果后直接宣布前者更好。无预测时也应保留原始数量，让比例能够追溯。
阈值调整需要同时观察召回变化
提高选择门槛可能减少误报，也可能漏掉更多目标，因此应按实际错误后果权衡。维护时保存阈值与数据版本，新类别出现后复查逐类表现。成本包括误报处理和人工检查，不能只以分数最高决定使用。检索任务也会使用精确率，但需要先定义结果相关性的标准与返回范围，不能随意把分类公式套到未标注资料。最终报告应同时交代样本、分母和任务边界，让指标说明事实，而不是用英文缩写制造可信感。
核对来源
以下资料用于核对概念和方法。文中的示例与测试范围分别注明，实际使用时请核对所用工具的版本。