分類準確率計算器

分類準確率衡量模型正確分類的預測占所有預測的比例。計算方式是將真陽性與真陰性相加，再除以混淆矩陣的總觀測數。準確率直觀易懂，但通常不宜單獨解讀。當類別不平衡時，模型即使幾乎每次都預測為多數類，也可能呈現很高的準確率，卻無法辨識最重要的案例。 因此，本計算器提供五個互補的二元分類指標。精確率是預測為陽性的案例中實際為陽性的比例，計算式為TP除以TP加FP。召回率也稱敏感度，是實際陽性中被模型找出的比例，計算式為TP除以TP加FN。特異度衡量模型辨識陰性的能力，即TN除以TN加FP。F1分數是精確率與召回率的調和平均數，鼓勵兩者兼顧，而非犧牲其中一項來提高另一項。 首先將評估結果整理成混淆矩陣。真陽性是正確預測為陽性的陽性案例；偽陽性是誤判為陽性的陰性案例；真陰性是正確預測為陰性的陰性案例；偽陰性則是分類器漏掉的陽性案例。四項數值都必須是同一測試集、同一決策閾值下的計數。混用百分比、訓練觀測資料或不同閾值的結果，會使指標失去效力。 各指標的優先順序取決於應用情境。在醫療篩檢中，漏掉疾病可能代價高，因此召回率往往更受重視。在垃圾郵件過濾或自動違規處置中，誤判可能代價高，使精確率格外重要。需要正確排除陰性時，特異度很有用。判定哪個模型較佳前，應在相同資料集上比較指標、檢視類別比例，並考慮信賴區間。本計算器提供確定性的點估計，方便快速分析、文件記錄及閾值比較，但不能取代具代表性資料上的驗證。