訓練完分類模型之後，該用哪個指標判斷模型好不好？這篇文章整理我在評估機器學習分類模型時最常用的效能衡量指標：從混淆矩陣出發，依序說明 Accuracy、Precision、Recall、F1-score 的定義與公式，以及 Precision-Recall 曲線和 ISO-F1 曲線的用途與判讀方式。
什麼是混淆矩陣？
混淆矩陣（Confusion Matrix）是一種評估分類模型性能的工具，特別適用於監督學習中的分類問題。它能夠幫助你了解模型在不同類別上的預測結果，並提供更多信息來評估模型的準確性。
混淆矩陣是一個方陣，其中每一行代表實際的類別，每一列代表模型預測的類別。以下是一個二元分類問題的混淆矩陣範例：
| 預測為正類 (Positive) | 預測為負類 (Negative) | |
|---|---|---|
| 實際為正類 (Positive) | 真正類 (TP) | 偽負類 (FN) |
| 實際為負類 (Negative) | 偽正類 (FP) | 真負類 (TN) |
四個格子的意義：
- TP（True Positive）：模型將正例正確預測為正例的樣本數量。
- TN（True Negative）：模型將負例正確預測為負例的樣本數量。
- FP（False Positive）：模型將負例錯誤預測為正例的樣本數量。
- FN（False Negative）：模型將正例錯誤預測為負例的樣本數量。
準確率（Accuracy）是什麼？
準確率是預測正確的樣本數量與總樣本數量之比：
```text
Accuracy = (tp + tn) / (tp + fp + fn + tn)
```
Accuracy 直觀易懂，但在類別不平衡的資料集上容易失真——例如正例只占 1% 時，全部預測為負類就能拿到 99% 的準確率，卻完全沒有抓到正例。
精確率（Precision）和召回率（Recall）有什麼不同？
Precision（精確率） 指的是在所有被模型預測為正類的樣本中，實際上是正類的比例。換句話說，它衡量了模型正確預測正例的能力，並且避免錯誤地將負例分類為正例：
```text
Precision = tp / (tp + fp)
```
Recall（召回率） 則是實際上被正確預測為正例的樣本數量除以所有實際正類樣本的數量：
```text
Recall = tp / (tp + fn)
```
簡單來說：Precision 回答「模型說是正類的，有多少真的是正類？」；Recall 回答「所有真正的正類，模型抓到了多少？」兩者關注的錯誤類型不同，必須依業務需求取捨。
F1-score 怎麼計算？
F1-score 是一個綜合了精確率（Precision）和召回率（Recall）的指標，使用精確度和召回率的值計算 F1-score：
F1-score 是 Precision 和 Recall 的調和平均數，只有當兩者都高時 F1-score 才會高，因此適合作為單一數字的綜合評估指標，特別是在類別不平衡的情境下比 Accuracy 更可靠。
如何用 Precision-Recall 曲線評估模型？
Precision-Recall 曲線是用於評估二元分類器性能的一種圖表。它描述了在不同閾值下模型的精確度（Precision）和召回率（Recall）之間的折衷關係。
在 Precision-Recall 曲線上，x 軸通常表示召回率，y 軸表示精確度。理想情況下，我們希望模型能夠同時實現高精確度和高召回率，即圖表右上角的位置。但是，通常情況下，提高精確度可能會降低召回率，反之亦然。這種權衡關係取決於分類器的閾值設置，可以通過調整閾值來改變精確度和召回率之間的平衡。
ISO-F1 曲線是什麼？
ISO-F1 曲線是一種評估多類別分類器性能的方法，特別用於不平衡類別數據集。ISO-F1 曲線通過在 F1-score 和類別別不平衡程度之間繪製關係圖來評估分類器的性能。
ISO-F1 曲線以不同的 F1-score 為橫軸，以類別別不平衡程度（通常以每個類別的正例數量比例或類別的預測概率分佈）為縱軸。它通過改變分類器的閾值或類別別的權重來繪製曲線，從而呈現出不同 F1-score 和類別別不平衡程度之間的平衡關係。
ISO-F1 曲線的一個常見應用是用於調整分類器的閾值，從而使得在不同類別別的不平衡情況下都能達到相對均衡的性能。透過該曲線，可以找到一個合適的閾值，以平衡不同類別別之間的性能，從而提高整體的分類器性能。
延伸閱讀
常見問題
機器學習分類模型最常用的效能指標有哪些？
最常用的是混淆矩陣衍生出的四個指標：Accuracy（準確率）、Precision（精確率）、Recall（召回率）與 F1-score。進一步還可以畫 Precision-Recall 曲線觀察不同閾值下的權衡關係。
類別不平衡時應該用 Accuracy 還是 F1-score？
建議用 F1-score。在類別不平衡的資料集上，Accuracy 會被多數類主導而失真；F1-score 同時考慮 Precision 與 Recall，能更真實反映模型對少數類的辨識能力。
Precision 和 Recall 該優先顧哪一個？
取決於業務成本：誤殺成本高（如垃圾郵件誤判、疾病篩檯誤報造成困擾）時優先提升 Precision；漏掉正例的代價高（如詐欺偵測、癌症篩檢）時優先提升 Recall。也可以透過調整分類閾值在兩者之間取得平衡。
F1-score 為什麼用調和平均而不是算術平均？
調和平均會被較小的那個值拉低，只有 Precision 和 Recall 兩者都高時 F1-score 才高。若用算術平均，一個極端偏向單一指標的模型仍可能得到不錯的分數，失去綜合評估的意義。
參考資料
- 本文為機器學習基礎系列筆記，搭配〈使用 K-Fold Cross Validation 交叉驗證〉與〈提升機器學習模型準確率〉一起閱讀效果更好。
- 指標定義可進一步參考 scikit-learn 官方文件的 Classification metrics 章節。
最後更新
2026-08-28（原文發布於 2024-05-16，本文保留原始筆記內容並補上 GEO 結構。）
關於作者 {#author}
Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。
首次發布：2024-05-16