空报率与漏报率是气象行业中常用来评估预报模型性能的指标。评估指标的不同实质上反映了任务需求的不同，因此不同的指标在对同一预报模型进行评估时将会得到不同的结果。这就意味着预报模型的‘好坏’往往是相对的，好的模型不仅取决于数据和算法本身，还取决于是否契合实际问题需要。那么何时使用空报率，又何时使用漏报率呢？本篇将通过混淆矩阵逐步带大家了解精准度、查准率等多种评估指标，以此深入认识空报率与漏报率的含义，并提供场景实例让读者体会评估指标如何反映实际任务需求。（文末顺带提供混淆矩阵的 python 可视化代码方便大家使用。） 一、混淆矩阵 混淆矩阵也称误差矩阵，经常被用来对分类问题进行误差分析。为便于理解，我们以二分类预报——晴雨预报为例，将其所有可能出现的预报情形与实况结果两两进行交叉组合，得到如下四个基础项。 混淆矩阵的四个基础项 真正例（True Positive）：预报有雨 实况有雨 真反例（True Negative）：预报无雨 实况无雨 假正例（False Positive)：预报有雨 实况无雨（纳伪，第二类错误） 假反例（False Negative）：预报无雨 实况有雨（弃...