balanced accuracy启用adjusted后，零分基准发生了变化

一张分类评测表里的零分，只有连同指标定义和参数一起看，才能解释它的位置。scikit-learn 1.5.2的balanced_accuracy_score文档把adjusted参数单独列出：启用机会校正后，随机表现对应零分，完美表现仍保持一分。这个零与未调整口径里的下界，不能省略参数后混为同一句解释。

文档先定义balanced accuracy为各类别召回率的平均，用于二分类和多分类的不平衡数据问题。函数同时接收正确目标y_true与分类器给出的y_pred，也列出样本权重sample_weight。由此，看到一个结果名仍不够，还需要知道它比较的真实目标与预测对象是什么；本文没有读取任何业务数据或训练模型。

范围说明有明确条件：当adjusted=False时，最好值为1，最差值为0。参数的默认值也确实是False。这条条件不能在摘录中丢掉，再把它无条件挪到所有参数组合。默认口径与机会校正口径虽然共用函数名称，对零点的解释却已经不同。

对adjusted=True，原文使用adjusted for chance，并明确写出random performance would score 0。这是在提供一个比较基准，不是声称某次得到零分的实际模型已经接受过随机性检验。观察到数值与确认模型怎样产生预测，仍然需要不同证据；一行得分不能独自回答数据流程是否正确。

官方例子列出六个真实标签与六个预测标签，在没有指定adjusted的调用中返回0.625。本文只将它作为文档示例阅读：该调用沿用默认False，并不是开启校正后的另一次结果。这里没有重算示例，也没有给它补出另一项分数，更没有将示例数字变成部署阈值。

评测资料可以明确注明完整函数名、adjusted是否启用，以及采用的版本，再解释数字相对于哪个基准。这种记录比只写“平衡准确率为零”保留了更多必要信息。本篇采用1.5.2参数页，首次发布日期未确认，不补写机会校正公式或其他分数范围；完美表现保持为一，也不意味着一个业务系统已通过泛化、可靠性或专业适用性验证。