用直覺的垃圾郵件預測現場與動態算式，徹底搞懂 Accuracy、Precision、Recall 與 F1-Score 的核心分工！
真實情境：我們用 BERT 來做「垃圾郵件分類」。資料庫有 100 封郵件，其中只有 8 封是真正的垃圾郵件（陽性），其餘 92 封是正常郵件（陰性）。請切換下方按鈕，看看未完全訓練與完全訓練模型的表現差異！
在理解任務中，**Precision（不瞎猜錯怪好人）**與**Recall（不漏抓任何壞人）**往往在坐翹翹板。F1-Score 則是兩者的調和平均數。拉動滑桿配置兩者數值，觀察純 SVG 公式如何完美即時聯動：
如果一個 BERT 模型為了追求極致的 Precision (100%)，它只敢在 100% 確定時才出手，結果 8 封垃圾郵件裡它只抓了 1 封，漏掉了其餘 7 封（Recall 只有 12.5%）。
此時，傳統算術平均為 (100% + 12.5%) ÷ 2 = 56.2%（看起來依然及格）。
但 F1-Score（調和平均）會給予強烈的偏科懲罰，計算出誠實的 22.2%！它能逼迫工程師在微調 BERT 時，必須全面顧及全面性。
定義：全體郵件中，AI 猜對（無論是抓到垃圾還是確認安全）的總比例。
在文本分類任務中，若遇到不均衡資料（如本案例垃圾郵件僅佔 8%），一律盲目猜正常就能無腦拿到 92% 的高分。因此準確率在此類任務中存在巨大的欺騙性。
定義：在 AI 標記為「垃圾郵件」的清發中，有多少比例真的是垃圾郵件。
注重這個指標代表「絕對不能錯怪好人」。如果精準率低，代表正常的重要商務郵件會不斷被誤送進垃圾桶，這對用戶來說是災難性的體驗。
定義：資料庫中所有真正危險的垃圾郵件，AI 成功撈出了多少比例。
注重這個指標代表「寧可錯殺一百，絕不放過一個」。如果召回率低，代表用戶的收件匣依然會被大量漏網之魚的廣告垃圾郵件塞爆。
BERT 等理解型模型的評估是 iPAS 中級科目一考點。重點:看下游任務指標——分類用準確率與 F1、命名實體用實體層級 F1、問答用 EM(完全匹配)與 F1,常以 GLUE、SuperGLUE 基準報告。易混點:許多 NLU 任務類別不平衡,F1 比準確率可靠;EM 嚴格、F1 較寬鬆,常並列。情境:評估理解類 NLP 模型、判斷該用哪個指標。
想練情境題與詳解 → AI 學習與考證地圖
看下游任務指標：分類用準確率與 F1、命名實體用實體層級 F1、問答用 EM(完全匹配)與 F1、語意相似用相關係數，依任務選擇。
一組標準化的自然語言理解基準(多任務)，用來公平比較不同模型的理解能力；BERT 等常以此報告成績。
許多 NLU 任務類別不平衡(如實體稀疏)，F1 兼顧精確率與召回率，比 Accuracy 更能反映真實表現。
EM(Exact Match)看答案是否與標準答案完全一致；F1 看預測與標準答案在詞層級的重疊、較寬鬆，兩者通常並列報告。
用獨立測試集、避免資料洩漏、注意領域差異(預訓練語料與目標領域不同會掉分)，以及指標是否對齊真實需求。