精確率與召回率 使用指南

輸入真正、假正與假負，計算精確率、召回率與 F1 分數，適用於分類模型評估、閾值選擇與不平衡資料診斷。

計算公式與原理

精確率 P = TP/(TP+FP)；召回率 R = TP/(TP+FN)；F1 = 2PR/(P+R)

P 與 R 天然此消彼長：放寬閾值召回升高但誤報增多。F1 用調和平均綜合兩者，對較小的一方更敏感（接近 0 時 F1 也接近 0），適合作為單一權衡指標；若業務更看重漏檢（如疾病篩查）應改用 F2 加權召回。

使用步驟

1. 填寫「TP」。
2. 填寫「FP」。
3. 填寫「FN」。
4. 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

• 精確率 P=TP/(TP+FP) 衡量預測為正的純度；召回 R=TP/(TP+FN) 衡量正類覆蓋。
• F1=2PR/(P+R) 調和平均，二者衝突時綜合評估。
• 閾值升高→精確率升、召回降；按業務代價選平衡點(如反欺詐重召回)。

算例參考

• 閾值權衡：某模型 TP=80,FP=20,FN=10。閾值低時 FP 多 P=80/100=80%、R=80/90=89%；抬高閾值 FP 降為 5 但 FN 升為 30 → P=80/85=94%、R=80/110=73%。

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。

什麼時候更看重召回？

漏檢代價高時(癌症篩查、欺詐攔截)，寧肯多報假陽性也要少漏，優先高召回；再用人工或二次模型過濾假陽性。

PR 曲線和 ROC 曲線怎麼選？

類別不平衡時 PR 曲線更敏感、更貼切；ROC 在平衡資料下更穩。AUC-PR 對正類稀少場景更能反映效能。