這個計算器的用途
本工具透過三項核心指標評估二元分類模型的表現：精確率（Precision）、召回率（Recall），以及 F1 分數。你只要從混淆矩陣中提供原始數值——真陽性（TP）、偽陽性（FP）與偽陰性（FN）——系統就會以百分比形式回傳每項指標。這些指標廣泛應用於機器學習、資訊檢索、醫學檢測，以及任何需要把資料分為「正類」與「負類」的領域。
使用方法
輸入真陽性（正確預測為正類的數量）、偽陽性（被誤判為正類的負類數量），以及偽陰性（模型漏掉的正類數量）。按下計算，即可看到精確率、召回率與 F1 分數。計算這三項指標並不需要用到真陰性（TN）。
公式解析
\(\text{Precision} = \frac{\text{TP}}{\text{TP} + \text{FP}}\)，回答的問題是：「在我所有判定為正類的項目中，有多少是正確的？」精確率越高，代表誤報越少。
\(\text{Recall} = \frac{\text{TP}}{\text{TP} + \text{FN}}\)，回答的問題是：「在所有實際為正類的項目中，我抓到了多少？」召回率越高，代表漏掉的越少。
F1 分數則是兩者的調和平均數：$$\text{F1} = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}}$$它能在兩者之間取得平衡，特別適用於類別分布不均的情況。
範例試算
假設一個垃圾郵件過濾器將 100 封郵件判定為垃圾郵件。其中 80 封確實是垃圾郵件（TP），20 封其實不是（FP）；此外它還漏掉了 10 封真正的垃圾郵件（FN）。$$\text{Precision} = \frac{80}{80 + 20} = 0.80 = 80\%$$$$\text{Recall} = \frac{80}{80 + 10} = 0.889 = 88.89\%$$$$\text{F1} = 2 \cdot \frac{0.80 \cdot 0.889}{0.80 + 0.889} = 84.21\%$$
常見問題
什麼時候該優先考量精確率，而非召回率？當「誤報」成本高昂時，應優先重視精確率（例如把正常郵件誤判為垃圾郵件）。當「漏判」成本高昂時，則應優先重視召回率（例如癌症篩檢）。
為什麼要使用 F1 分數？在資料類別分布不均時，準確率（Accuracy）可能造成誤導。F1 分數把精確率與召回率整合為單一且兼顧兩者的數值。
如果分母為零會怎樣？若 TP+FP 或 TP+FN 為零，該指標在數學上無法定義；此時本計算器會回報 0%。
