Model Performance

機器學習模型在分類任務中，需要用多種指標來評估效能，尤其在資料不平衡（imbalanced dataset）時，單看準確率（Accuracy）可能會誤導。

---

🔢 混淆矩陣（Confusion Matrix）

	實際為 Positive	實際為 Negative
預測為 Positive	TP（True Positive）	FP（False Positive）
預測為 Negative	FN（False Negative）	TN（True Negative）

---

✅ 評估指標說明

指標	計算公式	解釋
Accuracy	(TP + TN) / (TP + TN + FP + FN)	整體預測正確的比例
Precision	TP / (TP + FP)	預測為 Positive 中，有多少是真的
Recall（Sensitivity）	TP / (TP + FN)	實際為 Positive 中，被正確預測的比例
F1-score	2 × (Precision × Recall) / (Precision + Recall)	Precision 與 Recall 的調和平均數，當資料不平衡時特別重要

---

🧠 使用情境

• Accuracy 適合用於：資料平衡的分類問題

• Precision 適合用於：錯誤預測 Positive 成本高（如垃圾郵件過濾）

• Recall 適合用於：漏掉 Positive 成本高（如癌症偵測）

• F1-score 適合用於：需要兼顧 Precision 和 Recall 的場景

---

📌 Python 計算 F1-score 範例

from sklearn.metrics import precision_score, recall_score, f1_score

y_true = [1, 0, 1, 1, 0, 1, 0]
y_pred = [1, 0, 1, 0, 0, 1, 1]

precision = precision_score(y_true, y_pred)
recall = recall_score(y_true, y_pred)
f1 = f1_score(y_true, y_pred)

print(f"Precision: {precision:.2f}")
print(f"Recall: {recall:.2f}")
print(f"F1-score: {f1:.2f}")