精確率與召回率 - 免費線上人工智慧工具

← ToolBox / 精確率與召回率

📖 檢視「精確率與召回率使用指南」

🧮 Precision, Recall and F1 Calculator

Compute precision, recall and F1 from true positives, false positives and false negatives. Useful for threshold selection on imbalanced data.

📐 計算公式 / 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。

TP

FP

FN

📐 計算公式與說明

P = TP/(TP+FP)，R = TP/(TP+FN)，F1 = 2PR/(P+R)

精確率關注預測正確性，召回率關注覆蓋度。

📚 深度解析：精確率與召回率

💡 常見使用場景

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)。

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%。

❓ 常見問題（FAQ）

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。