准确性是许多初学者在构建机器学习模型时首要关注的指标。试想一个用于检测皮肤病的模型：测试数据集包含 10,000 名患者，其中仅 100 人患病，其余均为健康。该模型最终将所有患者预测为健康，从而得出 99% 的准确率，听起来令人印象深刻，但却未能识别出任何一名患病患者。现在，设想在真实世界中部署该模型，却盲目信赖其准确率，这将导致灾难性后果，因为在测试阶段它甚至未能识别出一名患病者。这就是为什么模型即使在测试阶段表现出令人印象深刻的准确率，仍可能在真实世界中失效的原因。要真正理解模型在现实生活中的行为，我们需要关注超越准确率的指标。