T (True) = 預測「對」了 ✓
F (False) = 預測「錯」了 ✗
P (Positive) = 模型「預測為陽性」
N (Negative) = 模型「預測為陰性」
所以 FP = 「預測為陽性,結果錯了」 = 其實是陰性,被誤判 = 誤報。
FN = 「預測為陰性,結果錯了」 = 其實是陽性,被漏掉 = 漏報。
| 結果 | 情緒 | 口訣 | |
|---|---|---|---|
TP | 抓對了壞人 | 😎 爽 | 「對對碰!」 |
FP | 把好人當壞人 | 😱 冤 | 「誤報、烏龍」 |
FN | 壞人從眼前溜走 | 😭 慘 | 「漏網之魚」 |
TN | 好人就是好人 | 😌 安 | 「沒事走開」 |
Step 1. 先問:「什麼是 Positive(陽性)?」
👉 通常是「想抓的目標」:垃圾信、癌症、詐欺、行人、違禁品、用戶喜歡。
Step 2. 再問:「什麼是 Predicted Positive(預測陽性)?」
👉 通常是 AI 的動作:標記、攔截、警報、煞車、錄取、推薦。
Step 3. 用兩個維度 × 兩個值 = 4 種狀況,對號入座。
Step 4. 檢查總數加總是否符合題目給的人數。
混淆矩陣是 iPAS 初級科目二與中級科目三的必考題，這個遊戲專練「語言陷阱」：把題目敘述正確翻成 TP／FP／FN／TN。常見考法：給一張 2×2 表要你算 Accuracy、Precision、Recall、F1，或反過來問「誤報」「漏報」對應哪個格子。易混點：FP 是「預測陽但實際陰」（誤報、型一錯誤），FN 是「預測陰但實際陽」（漏報、型二錯誤）；Precision 分母是「預測為陽」，Recall 分母是「實際為陽」。情境題長相：「100 位受檢者中 10 位患病，模型預測 15 位陽性、其中 8 位真的患病，Recall 是？」答 8/10 = 0.8。
想練情境題與詳解 → AI 學習與考證地圖
第一個字母看對錯（T 對、F 錯），第二個字母看「模型的預測」（P 陽、N 陰）。FP 就是模型說陽但錯了＝誤報；FN 是模型說陰但錯了＝漏報。
Precision = TP/(TP+FP)，分母是模型預測為陽的全部；Recall = TP/(TP+FN)，分母是實際為陽的全部。記「P 看預測、R 看真實」。
若 99% 樣本是陰性，全部猜陰性也有 99% Accuracy，卻一個陽性都沒抓到。此時要看 Recall、F1 或 PR-AUC。
Precision 與 Recall 的調和平均 2PR/(P+R)，兩者都要高才會高；當誤報與漏報都重要、或資料不平衡時，用 F1 綜合評估。
型一錯誤（α，偽陽性）= FP，把沒病的說成有病；型二錯誤（β，偽陰性）= FN，把有病的說成沒病。
門檻降低，更多樣本被判為陽：Recall 上升、Precision 通常下降；門檻提高則相反。ROC 與 PR 曲線描述的就是這個取捨。