混淆矩陣是什麼？

二分類時是一張 2x2 表，列出 TP、FP、FN、TN 四種預測結果的數量，是分類評估的基礎，各種指標都由它計算。

怎麼從混淆矩陣算主要指標？

Accuracy=(TP+TN)/總數、Precision=TP/(TP+FP)、Recall=TP/(TP+FN)、F1=2·P·R/(P+R)、Specificity=TN/(TN+FP)。

Precision 和 Recall 怎麼分？

Precision 看「預測為陽的準不準」(分母含 FP、在意誤報)；Recall 看「真正的陽抓到多少」(分母含 FN、在意漏報)。

多分類的混淆矩陣怎麼看？

變成 N x N 表，對角線是各類答對數；可對每一類用 one-vs-rest 算 Precision/Recall，再用 Macro 或 Weighted 平均彙整。

看混淆矩陣最該注意什麼？

不平衡時別只看對角線總和(Accuracy)；要看少數類的 FN 與 FP，確認模型不是靠猜多數類而忽略了重要的少數類。

Confusion Matrix Calculator

把 4 個數字
變成 8 個指標

直接在矩陣上輸入 TP / FP / FN / TN，自動算出 Accuracy、Precision、Recall、F1、Specificity、FPR、FNR、NPV，並列出每個公式的計算過程。

輸入：混淆矩陣

實際情況 (Actual) →

實際為正
Positive

實際為負
Negative

預測
為正

真陽性
True Positive

偽陽性
False Positive

預測
為負

偽陰性
False Negative

真陰性
True Negative

樣本總數 (Total) 165

TP FP FN TN

▸ 預設情境

輸出：8 大指標

LIVE

Accuracy準確率

(TP+TN) / (TP+TN+FP+FN)=—

—

Precision精準率

TP / (TP+FP)=—

—

Recall召回率 / Sensitivity

TP / (TP+FN)=—

—

Specificity特異度

TN / (TN+FP)=—

—

F1 Score綜合指標

2·P·R / (P+R)=—

—

FPR偽陽性率 · 第一型錯誤

FP / (FP+TN)=—

—

FNR偽陰性率 · 第二型錯誤

FN / (FN+TP)=—

—

NPV陰性預測值

TN / (TN+FN)=—

—

📖 四個基本元素快速複習

TP 模型說「是」、實際也「是」→ 抓對了

TN 模型說「不是」、實際也「不是」→ 放對了

FP 模型說「是」、實際「不是」→ 誤報 (第一型錯誤)

FN 模型說「不是」、實際「是」→ 漏掉 (第二型錯誤)

把 4 個數字
變成 8 個指標

輸入：混淆矩陣

輸出：8 大指標

📖 四個基本元素快速複習

📝 iPAS 考點提醒

❓ 常見問題

🧭 相關主題