準確率計算器

準確率（比值）	0.75
正確預測數（TP + TN）	150
總預測數	200

什麼是準確率計算器？

準確率（Accuracy）是評估分類模型最常用的指標之一。它衡量模型在所有預測中「答對」的比例——包含正確判斷為正類，以及正確判斷為負類兩種情況。這個計算器能把混淆矩陣的四個格子，直接換算成準確率，並同時以比值與百分比兩種形式呈現。

如何使用

請從你的混淆矩陣中輸入以下四個數值：

TP（真陽性，True Positives）——實際為正類，且正確預測為正類的樣本數。
TN（真陰性，True Negatives）——實際為負類，且正確預測為負類的樣本數。
FP（偽陽性，False Positives）——實際為負類，卻被誤判為正類的樣本數。
FN（偽陰性，False Negatives）——實際為正類，卻被誤判為負類的樣本數。

計算器會自動算出準確率。手邊沒有工具？只要把這四個數字相加，再套用下方公式即可。

公式解析

準確率 =（TP + TN）/（TP + TN + FP + FN）。分子是所有預測正確的樣本數，分母則是預測的總樣本數。將結果乘以 100，就能換算成百分比。

$$\text{Accuracy} = \dfrac{TP + TN}{TP + TN + FP + FN}$$

$$\text{Accuracy \%} = \text{Accuracy} \times 100$$

顯示 TP、TN、FP 和 FN 儲存格的 2x2 混淆矩陣 — 混淆矩陣的四種結果：正確預測（TP、TN）為綠色，錯誤（FP、FN）為紅色。

實例演算

假設某模型的結果為 TP = 80、TN = 70、FP = 20、FN = 30。正確預測數 $= 80 + 70 = 150$；總數 $= 80 + 70 + 20 + 30 = 200$。準確率 $$\text{Accuracy} = \dfrac{150}{200} = 0.75$$ 也就是 75%。

不同場景下的準確度

相同的準確度公式 $\text{準確度} = \frac{\text{真正例} + \text{真負例}}{\text{真正例} + \text{真負例} + \text{假正例} + \text{假負例}} \times 100\%$ 可能隱藏非常不同的模型行為。下面的場景每個都使用總共 100 個案例，因此百分比可以直接比較。

場景	真正例	真負例	假正例	假負例	準確度
均衡資料集，優質模型	45	45	5	5	90%
不均衡，多數為負例（罕見疾病）	2	93	2	3	95%
「總是預測為負例」基準線	0	95	0	5	95%
高假正例（過度標記）	48	22	28	2	70%
高假負例（遺漏的正例）	20	50	0	30	70%

關鍵要點是第二行和第三行的比較：一個只預測多數類的模型得分與實際檢測到一些正例的模型相同，都是 95%。在均衡資料集上（第 1 行），準確度要有資訊得多。最後兩行表明，兩個具有相同 70% 準確度的模型可能以相反的、互不相容的方式失敗 —— 一個充滿了假警報，另一個則悄悄遺漏正例。

解釋您的準確度分數

準確度是分類器正確預測的所有預測的比例 —— 包括正例和負例。90% 的準確度意味著每 10 個案例中有 9 個被正確標記，相應的誤差率是 $100\% - 90\% = 10\%$。這很直觀易於溝通，這正是為什麼它經常被誤讀的原因。

始終與無資訊基準線進行比較。最誠實的合理性檢查是多數類基準線：通過總是猜測最常見類別而獲得的準確度。如果您 95% 的案例是負例，一個盲目預測「負例」的分類器已經達到 95% 的分數。真正的模型必須超過該基準線才有價值 —— 在 50/50 分割上 95% 的準確度令人印象深刻，在 95/5 分割上則一文不值。

何時高準確度會產生誤導。在高度不均衡的資料上，準確度由多數類主導。詐欺檢測器、罕見疾病篩檢工具或缺陷檢測器可以報告 99% 的準確度，同時幾乎捕獲不了實際上重要的罕見正例。在這些情況下，假負例和假正例的成本通常非常不同，單一的整體百分比無法反映這一點。

補充準確度的指標：

精確度 —— 在預測為正的案例中，有多少真的是正例：$\text{真正例}/(\text{真正例}+\text{假正例})$。當假正例代價高時使用。
召回率（靈敏度） —— 在實際正例中，您捕獲了多少：$\text{真正例}/(\text{真正例}+\text{假負例})$。當遺漏正例代價高時使用。
特異度 —— 在實際負例中，您正確清除了多少：$\text{真負例}/(\text{真負例}+\text{假正例})$。
F1 分數 —— 精確度和召回率的調和平均值，一個在正例類上平衡兩者的單一數字。
平衡準確度 —— 靈敏度和特異度的平均值，這在類別不平衡時進行更正，是類別不平衡時更好的主要數字。

對於上面的均衡示例（真正例=45，假正例=5，假負例=5），召回率和精確度都是 $45/50 = 90\%$，所以準確度、精確度和召回率一致 —— 這是資料集均衡的跡象。當它們差異很大時，相信各類指標而不是單一的準確度數字。這是一般性的技術資訊，不是對您特定問題進行領域特定評估的替代品。

定義與詞彙表

真正例（真正例）: 分類器正確預測為正例的正例案例（例如，一個患病患者被標記為患病）。
真負例（真負例）: 分類器正確預測為負例的負例案例（例如，一個健康患者被清除為健康）。
假正例（假正例）: 被錯誤預測為正例的負例案例 —— 假警報。也稱為第一類錯誤。
假負例（假負例）: 被錯誤預測為負例的正例案例 —— 遺漏。也稱為第二類錯誤。
混淆矩陣: 一個 2×2 表格，交叉制表預測與實際類別，真正例、真負例、假正例和假負例作為其四個單元格。它是幾乎所有分類指標的來源。
準確度: 正確預測的比例：$(\text{真正例}+\text{真負例})/(\text{真正例}+\text{真負例}+\text{假正例}+\text{假負例})$，通常以百分比表示。
誤差率: 錯誤預測的比例：$(\text{假正例}+\text{假負例})/(\text{真正例}+\text{真負例}+\text{假正例}+\text{假負例}) = 1 - \text{準確度}$。
精確度: 正預測值：$\text{真正例}/(\text{真正例}+\text{假正例})$ —— 正預測的可信度。
召回率: 靈敏度或真正例率：$\text{真正例}/(\text{真正例}+\text{假負例})$ —— 找到了多少實際正例。
特異度: 真負例率：$\text{真負例}/(\text{真負例}+\text{假正例})$ —— 正確識別了多少實際負例。
F1 分數: 精確度和召回率的調和平均值：$2 \cdot \frac{\text{精確度} \cdot \text{召回率}}{\text{精確度} + \text{召回率}}$，正例類績效的單一平衡度量。