Precision / Recall / F1 的真实取舍：安全攻防中的指标平衡艺术

作者：HOS(安全风信子)
日期：2026-01-09
来源平台：GitHub
摘要： 在安全攻防场景下，精确率（Precision）、召回率（Recall）和F1分数（F1-Score）是最常用的评估指标，它们之间的权衡取舍直接影响模型的实际效果。本文深入分析这三个指标的数学关系、内在联系及其在不同安全场景下的优先级选择。结合最新的GitHub开源项目和安全实践，通过3个完整代码示例、2个Mermaid架构图和2个对比表格，系统阐述安全场景下的指标平衡策略。文章揭示了如何根据业务需求和误判成本调整指标权重，为安全工程师提供更灵活的模型评估框架和实践指南。

---

1. 背景动机与当前热点

1.1 指标权衡的永恒难题

在机器学习中，精确率和召回率是一对相互制约的指标，提高其中一个往往会导致另一个下降。F1分数作为两者的调和平均，试图在它们之间找到平衡。然而，在安全攻防场景下，这种平衡并不是一成不变的，而是需要根据具体业务需求和误判成本进行动态调整。

1.2 安全领域的特殊需求

安全领域的指标权衡面临着独特的挑战：

1. 误判成本不对称：在大多数安全场景中，漏报攻击（假阴性）和误报正常行为（假阳性）的成本差异巨大。
2. 场景多样性：不同的安全场景对指标的优先级要求不同，如入侵检测更关注召回率，而反垃圾邮件