混淆矩陣
指標隨門檻變化
拖動門檻值，即時看 TP/FP/FN/TN 和各指標變化
模型輸出的是「機率」（0~1），門檻決定「多高的機率才算陽性」：
混淆矩陣與分類門檻是 iPAS 分類評估的核心(初級科目一、中級科目三)。重點:TP/FP/FN/TN 四格衍生出準確率、精確率、召回率、F1;模型先輸出機率,再以門檻(預設 0.5)轉成類別。易混點:調高門檻會讓精確率上升、召回率下降(反之亦然),沒有絕對最佳門檻、只有最適合業務的門檻。情境:癌症篩檢怕漏診要調低門檻、垃圾過濾怕誤刪要調高。
想練情境題與詳解 → AI 學習與考證地圖
把模型輸出的機率轉成類別的分界線(預設 0.5)；機率高於門檻判為正類、否則負類。
判為正類更嚴格，精確率通常上升、召回率下降(漏掉更多正例)；調低則相反，如怕漏診癌症就調低門檻。
依業務代價：怕漏報(如癌症篩檢)就調低、怕誤報(如垃圾過濾誤刪)就調高；也可用 ROC 或 PR 曲線輔助。
TP(正確判正)、TN(正確判負)、FP(誤判為正、假警報)、FN(漏判、漏報)；各指標都由這四格算出。
ROC 曲線是掃過所有門檻畫出的 TPR 對 FPR；AUC 是其面積，衡量不分門檻下模型整體區分能力。