这是坑，别信机器学习初学者说的“准确率99%”，实际应用中99%的模型准确率都低于80%。
记得那是2010年，我刚转行做客服的时候，一天接到了一个电话，对方是个很急的客户，他的订单出了点小问题。我花了两个小时，一个细节一个细节地跟客户解释，最后终于搞定了。挂电话的时候，客户连声说“谢谢你，真专业”。那一刻，我突然意识到，哪怕是一个小小的细节，也能体现一个人的准确率。
等等，还有个事，我之前在培训的时候，看到一份报告，说在某个大型企业里，客服的平均准确率达到了98%。想想看，这个数字背后，是无数次的练习和修正。
不过，准确率真的高就万事大吉了吗？还是说，还有其他的东西比准确率更重要呢？
准确率，其实很简单。它衡量的是预测或判断的正确程度。先说最重要的，准确率通常用百分比来表示，比如在机器学习模型中，一个模型的准确率是90%，就意味着模型在所有测试样本中，有90%的预测是正确的。
另外一点，准确率的应用场景很广泛。比如，去年我们跑的那个项目，需要预测用户是否会购买某个产品，通过模型测试，准确率达到了85%，大概3000量级的数据量。这个准确率对于商业决策来说已经很不错了。
我一开始也以为准确率越高越好，但后来发现不对。有时候，过高的准确率可能是因为数据过于简单或者模型过于拟合，这样在实际应用中可能并不稳定。等等，还有个事，有时候我们追求的准确率可能并不适用于所有场景，比如在紧急情况下，快速反应可能比准确率更重要。
所以，提醒一个容易踩的坑，就是不要只看准确率，还要考虑模型的泛化能力、速度和成本等因素。我觉得值得试试，在评估模型时，多维度地去考虑。