AI作品只报准确率不够：误判案例怎么分析

“我的模型准确率是88%。”这是很多AI项目报告里的核心结论。但评委通常会继续问：剩下的12%错在哪里？为什么会错？只报准确率，说明不了模型的真实表现。误判分析能让项目更有深度。

准确率说明不了什么

假设一个识别四类垃圾的模型，测试了100张照片，对了88张。这88%背后可能有很多种情况：

• 四类都错得差不多。
• 某一类几乎全错，其他类全对。
• 两类之间经常互相认错。

不同情况，改进方法完全不同。

用混淆矩阵看错在哪里

混淆矩阵是一张表，行表示真实类别，列表示模型判断的类别：

对角线上是判断正确的数量。从这张表可以看出：有害垃圾有4张被认成了其他垃圾，是最主要的错误。

整理误判样本

把所有判断错误的照片单独拿出来，逐张记录：

给误判归类

整理完后，把原因归成几类，统计每类有多少：

• 物体太小或拍摄距离太远。
• 训练数据中缺少这类物品。
• 两类物品外观相近。
• 光线或背景干扰。

哪类原因最多，就优先针对它改进。

根据分析设计改进实验

例如发现“训练集中缺少小物体的近拍照片”是主要原因，可以：

1. 补拍50张电池、药盒等小物体的近距离照片。
2. 重新训练模型。
3. 用原来的测试集再测一次，比较前后结果。

有针对性的改进，加上前后对比的数据，比单纯“多训练几轮”有说服力得多。

承认模型的局限

有些误判很难通过补充数据解决，比如纸巾和纸张本身就很像，模型只看外观很难区分。在报告中如实写出这些局限，并提出可能的思路，例如结合重量传感器辅助判断，能体现学生对问题的深入思考。

误判分析的过程，其实就是在研究“模型是怎样看世界的”。这部分内容往往是AI项目中最能体现学生自己思考的地方。