统计学准率这事儿，实际上就是看眼能不能把真事儿看清楚，要么耳朵能不能把真话听清楚。大量时候，我们当作看个数据，就能判断对错，可往往这事儿没那么好办。 就拿看病来说吧。医生手里拿着个片子，脑子里得有个大谱子。就像看球赛，教练喊“这球是左中不？”而裁判喊“是左中不？”但这俩声音不一定能对上号。运动员在场上，大脑处理信息的速度得比教练快一千倍，他脑子里可能正在做上百种计算，比划、换手、预判，还要跟队友憋半天。

要是每猜错一个都扣个大零头，那得分能低到负数吗？故此，大量时候，那个喊“是”的裁判，往往比那个喊“左中不”的教练，更靠谱。

这就是统计学的道理，有时候靠的是经验，有时候靠的是频率。 再回到我们日常用的那个公式：准率 = 对数 / (对数 + 毛病数)。

这个公式本身没错，但拆开看，它实际上是在跟“全错”做斗争，跟“全对”做斗争。

我去超市买东西，手里有把秤。

要是秤没空，我买的东西全是假的，那真就全错了。结局我全对，整个超市全错，那我的准率是多少？满减，对吧？这时候，秤的可靠性瞬间归零。

故此，我们在算准率之前，得先把“基准线”定好。

要是基准线是“没空”，那结局就是负的。

要是基准线是“有空”，那结局才有意义。

这就好比跑步，你跑到终点，要是起跑线离终点 100 米，那你的起跑线效率就是负的。但我们人类跑不过电脑，电脑能跑个 10 秒，我们跑个 5 秒，那电脑的效率就是正的。一旦电脑跑个 10 分钟，那我们的效率就是负的。 这就是为啥有时候你认定统计不准，实际上是看错了“参照物”。

比如我们说“这个模型挺准”，但没说清楚，参照物是哪位？是点赞多的模型，还是点赞少的模型？是完美模型，还是全坏模型？要是参照物不清楚，那准率就是个无意义的数字。就像两个人打赌，“哪位更智慧”，要是两个人智商一样，那哪位赢哪位输还得看运气。

要是一个人智慧，一个人傻，那傻的那个赢的概率就低，智慧的那个赢的概率就高。

这时候，我们要算的不是好办的比率，而是概率的加权。 举个数据来说，网上有个说法，说预测准率达到 90% 的模型，在股价波动上实际上挺悬的。

这事儿听起来唬人，但仔细一琢磨，你会发现它背后的逻辑有点扎心。

要是模型是完美的，那它总能预测对。

只要它预测对一次，那它的全局准率就是 100%。但难题是，它只有 100% 的全局准率，它没有局部的准率，出于它没做错任何一次。

故此，别看它的全局准率看起来挺高，但它预测局部风险的本事却是负的。

也就是说，这个模型在局部，实际上是全错的。 反过来，要是模型预测错了 100% 呢？这时候它的全局准率就是 0%，但它局部却全对了。

这时候，别看它的全局表现糟糕，但它预测局部风险的本事却是完美的。

这时候，要是我们只看全局，会认定它不中；但要是我们只看局部，会发现它实际上是神。

这就证明白，单一维度的准率，往往掩盖了多维度的真相。 有时候，我们就连能够把准率理解为一种“生存技能”。比方说，我们说“这个算法跑得挺快”，那它的准率就是 100%。但在这个算法里，有没有人跑出了负值？

有没有人出于跑得忒慢而错过了商机？

有没有人出于算法bug 害得数据跑偏？这些 aren't 在准率公式里，但却是实实在在的风险。

要是算法快得离谱，害得别人都跑不动了，那别看它自己的准率是 100%，但它带来的“幸存者偏差”却是负的。它替它自己创造了胜利，却消灭了所有对手。

这时候，它的有效准率就是负的。 故此，大量时候，我们听到的准率，实际上只是冰山一角。冰山下面藏着那些没被算进去的“负值”和“权重”。一个高准率模型，可能只是运气好，要么基准线忒低了。一个低准率模型，可能只是运气差，要么基准线忒高了。我们要做的，不是盯着那个百分比数字看，而是要搞清楚，这个模型是在跟全错比，还是在跟全对比，又是在跟啥比。 毕竟，生活里哪有啥绝对的标准答案。就像去超市，要是秤没空，那东西全是假的；要是秤有劲，那东西全是确实。我们看重的，压根儿不是数字本身，而是这个数字背后，那个真正能拍板我们命运的参照系。

要是那个参照系错了，那再高的准率，也不过是个看着光鲜的负数。

故此，下次算准率的时候，记得先问自己：我的参照物准不准？要是准不准，那这个准率，才有点意思。