指标选择口诀
指标选择口诀
类别均衡 → 准确率可用，配合混淆矩阵
类别不均衡 → 看每类 P/R/F1 加宏平均
关键类漏检代价高 → 单独盯关键类的召回下限
多标签 → 每标签 P/R/F1，再取宏/微平均| 宏平均 | 每类等权，关注小类表现 |
|---|---|
| 微平均 | 按样本数加权，受大类主导 |
| 选择 | 业务关心小类就报宏平均，关心整体就报微平均 |
本包目录（290 条）
提示词基础40 条模式与框架50 条任务型写法50 条
评估与迭代50 条
- 先定成功标准再改提示
- 金标测试集构建
- LLM 评审（LLM-as-a-judge）基本写法
- 摘要自动指标 ROUGE 与局限
- 精确率、召回率与 F1
- 成对比较评估（A/B 判别）
- 准确率与其陷阱（类别不均衡）
- 回归测试集与用例管理
- 测试样本的切片标签
- 结构化输出的可解析率
- A/B 对比实验设计
- 保留集与提示过拟合
- 抽取任务的字段级评估
- 评测样本量的波动直觉
- 混淆矩阵与错误模式分析
- 评分表（rubric）式评审
- 采样随机性与可复现记录
- 摘要的人工评估维度
- 代码评估 pass@k
- 评审位置偏差与缓解
- 错误分类体系（误差分析）
- 迭代闭环：假设→改→回放→对比
- 重复运行与结果波动
- 翻译指标 BLEU 与 chrF
- 执行式评估：用运行结果判对错
- 评委自偏好与同源问题
- 提示变更的卡口（CI 门禁）
- 切片复盘：定位退化的那一块
- 上线后的质量监控
- 神经翻译质量评估（COMET）
- 评委的长度偏好（啰嗦偏差）
- 评委与人工评分的对齐
- 评测集的分层抽样
- badcase 挖掘与归类流程
- token 用量核算与预算
- 语义相似度指标（BERTScore 思路）
- 难例集与对抗样本池
- 两个版本的差异是否显著
- 标注规范文档写法
- 用户反馈闭环
- 提示变更日志与实验记录
- 成本与延迟纳入评测
- 多重比较与指标挑选
- 人工标注一致性（Kappa）
- 影子运行与灰度评估
- 延迟看分位数（P95/P99）
- 双标与仲裁流程
- 金标集的保鲜与轮换
- 输入分布漂移的检测
- 评测报告模板与结论写法
准确率与其陷阱（类别不均衡）
类别不均衡时准确率会骗人：99% 样本是 A 类时全猜 A 也有 99%；分类评测要同时看各类别指标。
易错点
- 只看准确率时小类退化完全不可见；加报宏平均与各类别指标
- 宏平均在类别极多时会放大噪声；长尾场景先合并稀疏小类再评
数据来源与参考
- scikit-learn 模型评估文档：分类指标与平均方式（macro/micro）