分類準確率評估 使用指南

輸入混淆矩陣的 TP/FP/FN/TN，計算準確率、精確率、召回率與 F1，用於二分類機器學習模型效果評估與對比。

計算公式與原理

準確率 = (TP+TN)/(TP+FP+FN+TN)×100%；精確率 = TP/(TP+FP)×100%；召回率 = TP/(TP+FN)×100%；F1 = 2TP/(2TP+FP+FN)×100%

由混淆矩陣四類計數推導：準確率衡量整體判對比例，精確率關注"報為正的有多少真"，召回率關注"真正例被找出多少"，F1 是二者調和平均。樣本極度不平衡時準確率會失真，應改看 F1 或 PR 曲線下的面積。

使用步驟

1. 填寫「真正例 TP」。
2. 填寫「假正例 FP」。
3. 填寫「假反例 FN」。
4. 填寫「真反例 TN」。
5. 結果區會即時更新；可一鍵複製結果用於記錄或彙報。

典型使用場景

• 準確率 Accuracy=(TP+TN)/(TP+TN+FP+FN)，衡量整體正確比例。
• 精確率 P=TP/(TP+FP) 關注預測為正的純度；召回 R=TP/(TP+FN) 關注正類覆蓋。
• F1=2PR/(P+R) 在類別不平衡時比準確率更可靠。

算例參考

• 二分類四指標：TP=70, FP=10, FN=20, TN=100：準確率=(70+100)/200=85%，P=70/80=87.5%，R=70/90=77.8%，F1=2×0.875×0.778/(0.875+0.778)≈82.4%。

注意事項

結果為按上述公式得到的理論估算值，實際表現受資料分佈、實現細節與執行環境影響，落地決策請以實測為準；本工具純前端執行，輸入不上傳伺服器。

準確率 85% 算好嗎？

取決於基線。若正類僅佔 10%，全猜負類就有 90% 準確率卻毫無正類識別力；此時應看精確率/召回/F1 與 PR 曲線。

多分類怎麼算精確率？

常用宏平均(各類指標等權平均，看重小類)或微平均(彙總所有 TP/FP/FN，等價於整體準確率)，按業務對小類敏感度選擇。