什麼是 F1 分數？
F1 分數是一個將精確率（Precision）與召回率（Recall）整合成單一數值的指標，因此廣泛用於評估機器學習、資訊檢索與統計領域中的分類模型。它是精確率與召回率的調和平均數，所以會偏好兩者兼顧的模型，而不是只在單一面向表現突出的模型。
如何使用本計算器
請從你的混淆矩陣（Confusion Matrix）中輸入三個數值：真陽性（TP，正確預測為正類的數量）、偽陽性（FP，本為負類卻被誤判為正類的數量），以及偽陰性（FN，本為正類卻被漏掉的數量）。計算器會立即回傳精確率、召回率與最終的 F1 分數。
公式詳解
精確率 = \(\frac{\text{TP}}{\text{TP} + \text{FP}}\)，衡量在所有被預測為正類的樣本中，有多少是真正正確的。召回率 = \(\frac{\text{TP}}{\text{TP} + \text{FN}}\)，衡量在所有實際為正類的樣本中，有多少被成功找出。F1 分數則為
$$F_1 = \frac{2 \cdot (\text{精確率} \cdot \text{召回率})}{\text{精確率} + \text{召回率}}$$由於它是調和平均數，只要精確率或召回率任一方偏低，F1 分數就會被大幅拉低。
實例演算
假設 \(\text{TP} = 70\)、\(\text{FP} = 30\)、\(\text{FN} = 10\)。精確率 = \(\frac{70}{100} = 0.70\)；召回率 = \(\frac{70}{80} = 0.875\)。
$$F_1 = \frac{2 \cdot (0.70 \cdot 0.875)}{0.70 + 0.875} = \frac{2 \cdot 0.6125}{1.575} \approx 0.7778$$約等於 77.78%。
常見問題
什麼時候該用 F1 而不是準確率（Accuracy）？當類別分布不平衡時，F1 更為適用；因為當某一類別佔絕大多數時，準確率可能會虛高而具誤導性。
多少的 F1 分數才算好？F1 的範圍是 0 到 1，越接近 1 越好。「好」的標準會因任務而異，但一般而言，數值高於 0.8 通常被視為相當不錯的表現。
為什麼要用調和平均數？相較於簡單的算術平均，調和平均數會對精確率與召回率之間的極端落差施加更重的懲罰，確保兩者都必須維持在合理的水準。
