使用方式
- 輸入混淆矩陣件數：TP、FP、TN、FN。
- 必要時修改陽性與陰性標籤，讓矩陣更貼近你的資料。
- 請把精確率與召回率和正確率一起看，尤其在某一類很少見時。
從單一矩陣計算二元分類指標
當模型或規則已產生二元預測後使用本頁。這是分類指標讀取工具，不是閾值調整流程。
輸入
執行計算後，可從混淆矩陣檢視分類指標。
正確率不是全部
當陰性類別占多數時，正確率可能仍然很高。這種情況下，分類器看起來整體良好，卻可能漏掉許多陽性案例。因此本頁把召回率、特異度、精確率與盛行率放在正確率旁邊一起看。
精確率與召回率
精確率回答「模型判為陽性時，有多少是真的陽性？」召回率回答「所有實際陽性中，抓到了多少？」提升其中一項可能傷害另一項，合適平衡取決於偽陽性與偽陰性的成本。
二元分類優先版本
此頁聚焦二元分類，讓每個指標都能從 TP、FP、TN、FN 清楚核對。多類別矩陣、ROC 曲線與閾值掃描應放在後續工具，不混入此版本。
常見問題
為什麼不能只看正確率？
當某一類很少見時，正確率可能看起來很高。資料不平衡時，精確率、召回率、特異度與盛行率通常比單看正確率更能說明模型行為。
精確率與召回率有什麼不同？
精確率關心預測為陽性時有多少是正確的；召回率關心實際陽性中有多少被抓到。前者偏向偽陽性，後者偏向偽陰性。
這頁支援多類別混淆矩陣嗎？
不支援。此頁刻意限制在二元分類，讓核心指標容易檢查與比較。
分享 URL 會包含我的件數或標籤嗎？
不會。分享 URL 只保存小數位數等輕量設定；件數與自訂標籤會留在你的瀏覽器中。
相關頁面
Comments (optional)
To reduce load, comments are fetched only when needed.