精确率（Precision）= TP/(TP+FP)，衡量预测为正的样本中有多少是真的；召回率（Recall）= TP/(TP+FN)，衡量真实正样本被找出了多少。F1 是二者的调和平均，偏向较小值，适合需要兼顾的场景。ROC-AUC 衡量模型在所有阈值下的整体排序能力：随机取一正一负样本，正样本得分更高的概率。

选用原则：类别不平衡时准确率会误导（99% 负例时全猜负也有 99%），应看 P/R/F1 或 PR-AUC。业务代价不对称时取舍不同：癌症筛查重召回（宁错杀不放过），垃圾邮件过滤重精确率（不能误杀正常邮件）。ROC-AUC 在极度不平衡时会显得过于乐观，此时 PR 曲线更诚实。

易错点：混淆精确率与准确率；忽略阈值对 P/R 的影响——报告指标必须说明阈值或给出曲线。追问方向：如何根据业务代价选择最优阈值？