混淆矩陣與評估指標 - 互動教學

↔️ 拖曳垂直線調整分類閾值 (Threshold)

準確率(Accuracy)

0.00

(TP + TN) / Total

精確度(Precision)

0.00

TP / (TP + FP)

召回率(Recall)

0.00

TP / (TP + FN)

F1-Score

0.00

2 * (P * R) / (P + R)

Confusion Matrix

Actual Positive (1)

Actual Negative (0)

Predicted Class

Positive (1)

Negative (0)

TP

0

True Positive

FP

0

False Positive

FN

0

False Negative

TN

0

True Negative

閾值 (Threshold) 0.50

樣本重疊度 (Overlap) 中

樣本數量 (Sample Size) 200

🧩 混淆矩陣定義

TP (True Positive)：真的有病，且被檢測出來。
TN (True Negative)：真的沒病，且檢測正常。
FP (False Positive)：沒病卻被誤判有病 (誤報)。
FN (False Negative)：有病卻沒被檢測出來 (漏報)。

📚 評估指標定義

準確率 (Accuracy)：所有預測正確的比例。
精確度 (Precision)：預測為正樣本中，真正的正樣本比例。
召回率 (Recall)：真正的正樣本中，被正確預測的比例。
F1-Score：Precision 與 Recall 的調和平均數。

⚖️ Precision 與 Recall 的權衡

調整分類閾值時，兩者常有取捨，但並非互斥，也不保證每次都一升一降：

提高閾值：模型更謹慎 ➝ 通常 Precision 較高、Recall 較低（易漏報）。
降低閾值：模型更寬鬆 ➝ 通常 Recall 較高、Precision 較低（易誤報）。

⚠️ Accuracy 的陷阱

當資料不平衡時（例如：癌症發生率僅 0.1%），Accuracy 可能會誤導我們。

即使模型預測「所有人」都沒病，Accuracy 仍高達 99.9%，但此模型完全無用。

💡 選擇合適的指標

注重Recall：癌症篩檢等漏報代價高的情境（仍須評估誤報代價）。
注重Precision：垃圾郵件過濾、指紋解鎖（不想被一直誤判打擾）。
注重F1-Score：兩者的調和平均，適合追求平衡時。