AITerms 登入
iPAS 中級 模型評估統計方法AI基礎

F1 分數(F1 Score)是什麼?

Precision 和 Recall 的調和平均數 = 2PR/(P+R),兼顧「找得準」和「找得全」

同主題的術語模型評估AI基礎

完整定義

F1 分數是精確率(Precision)和召回率(Recall)的調和平均數,計算公式為 2 * (Precision * Recall) / (Precision + Recall)。它是一個綜合性的分類模型評估指標,能夠同時考慮模型的「找得準」(精確率,即預測為正的樣本中有多少是真正的正樣本)和「找得全」(召回率,即所有真正的正樣本中有多少被模型成功找出)的能力。F1 分數特別適用於正負樣本數量不均衡的場景,因為它能有效避免單純使用準確度(Accuracy)可能導致的誤導性結果。在許多機器學習應用中,如資訊檢索、疾病診斷和詐欺偵測,F1 分數是衡量模型性能的重要指標。

白話說明

你有沒有看過垃圾郵件分類器,把重要信件丟進垃圾桶,卻又放進一堆廣告?

你可以把它想成,模型到底是「抓得準」還是「抓得全」都要一起看,不然只看一邊很容易被假高分騙過。

F1 分數就是把精確率和召回率一起算進來的指標,特別適合資料不平衡、又在乎漏報和誤報的場景。

記住這句

精確率看準不準,召回率看全不全,F1 看兩者平衡。

比喻:F1 分數就像面試官同時看重你的「專業能力」和「工作經驗」 -- 它不是只看你多會答題(精準度),也不是只看你做過多少事(召回率),而是要你兩者兼顧,達到一個平衡的表現,才能獲得高分。

容易混淆

F1 vs 精確率

精確率看你說「是」的時候,有多少是真的。

F1 會把精確率和召回率一起納入。

最關鍵的區別:只看判斷準不準,還是同時看漏不漏。

F1 vs 召回率

召回率看真正的正例有多少被抓到。

F1 不允許只顧抓全而忽略誤報。

最關鍵的區別:只追求找全,還是找全又要找準。

F1 vs 準確率

準確率容易被多數類別撐高。

F1 在資料不平衡時通常更可靠。

最關鍵的區別:有沒有被多數類別騙到。

實際案例

垃圾郵件過濾

如果模型只顧少誤判,可能會把很多真正垃圾信放進收件匣。

Before:只看準確率。After:改看 F1,才看得出模型是不是真的好。

癌症篩檢

醫療場景通常很怕漏掉病人,也怕誤報太多造成壓力。

Before:只看單一指標。After:用 F1 先看整體平衡,再依風險決定是否加權。

演算法與應用

F1 = 2 × Precision × Recall / (Precision + Recall),這是調和平均,不是算術平均。

只要精確率或召回率其中一個很低,F1 就會被拉下來。

如果誤報和漏報的重要性不一樣,還可以看 F0.5 或 F2 這類變體。

情境判斷

Q1(直覺題): 一個模型精確率很高、召回率很低,F1 會怎樣?

它不會高,因為 F1 會被低召回率拖下來,表示模型不是平衡的好模型。

Q2(判斷題): 漏報比誤報更嚴重時,F1 仍然是最好的選擇嗎?

看情況。若你明顯偏重召回率,F2 通常更合適;如果誤報更可怕,則可能要看 F0.5。

iPAS 考題

Q:F1 分數為什麼比準確率更適合不平衡資料?

因為它同時看精確率與召回率,不容易被多數類別撐高。

Q:F1 分數怎麼算?

F1 = 2PR/(P+R),是精確率與召回率的調和平均。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,有 11 題把F1 分數列為延伸術語,這裡列出 5 題。

立即測驗

想測試你對 F1 分數 的掌握程度?用考古題作答

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

參考來源:en.wikipedia.org

考試範圍:iPAS AI 應用規劃師評鑑內容範圍參考(115.02 更新),經濟部產業人才能力鑑定,實際考試內容以官方公告為準。

其他格式:Markdown 版本