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 分類評估的核心、最高頻考點(初級科目一、中級科目三)。重點:從 TP、FP、FN、TN 算出準確率、精確率、召回率、F1;依業務在意漏報(看召回)還是誤報(看精確)選指標。易混點:精確率與召回率常被搞反、不平衡時準確率會騙人;調門檻會在兩者間取捨。情境:癌症篩檢重召回(怕漏診)、垃圾過濾重精確(怕誤刪)。
想練情境題與詳解 → AI 學習與考證地圖
TP 真陽(預測陽且實際陽)、TN 真陰、FP 偽陽(預測陽但實際陰，即誤報)、FN 偽陰(預測陰但實際陽，即漏報)。
Precision=TP/(TP+FP)，問「預測為陽的有多少是真的」(在意誤報)；Recall=TP/(TP+FN)，問「真正的陽有多少被抓到」(在意漏報)。
漏掉代價高(癌症篩檢、詐欺、資安)重視 Recall；誤報代價高(把正常信件判垃圾、把好客戶判詐欺)重視 Precision，常需取捨。
若 99% 是陰性，模型全猜陰性也有 99% 準確率，卻完全抓不到陽性。此時應看 Recall、Precision、F1 或 PR-AUC。
Precision 與 Recall 的調和平均：F1=2·P·R/(P+R)；兩者都高 F1 才高，適合不平衡資料的單一綜合指標。