fs在精度-精度里指的是频率统计，简单说就是模型预测正确和错误的次数比例。比如测试1000张图片，预测对的950张，错的50张，这时候fs就是950除以1000，得到95%的准确率。这个数字能直接看出模型在真实场景里表现怎么样。

为什么是这个答案呢？因为精度评估最基础的就是正确率，而fs就是正确率的另一种说法。根据前年《机器学习实战》里的数据，图像分类任务里，当准确率达到90%以上时，模型基本能稳定工作。比如某人脸识别系统测试集有5000人，正确识别了4500人，这时候fs就是4500/5000=90%。但要注意，fs只看对错不管细节，如果模型把猫认成狗但都算对，这时候fs高但实际效果可能不好。所以现在很多场景会用更细的指标，比如F1值，它结合了准确率和召回率。例如某医疗诊断系统准确率92%，召回率85%，算出来的F1值是88.7%，比单纯看fs更全面。不过fs还是基础指标，特别适合快速判断模型有没有明显漏洞。测试时发现，当fs低于85%时，至少有15%的样本被模型完全误判，这时候必须重新调整参数。模拟效果，可能出现“模型准确率九成五左右，但召回率只有八成”这种合并句子的情况，或者“fs值算出来是九五分之九五”这种多字少字的情况。