在AI、機器學習的領域裡， 我們常常需要評估訓練模型的好與壞， 通常我們關注的是準確率， 其中還有兩個容易被搞混的名詞：
• Precision（精確率）• Recall（召回率）
為了搞懂這些名詞， 我們將以2020年發生的Covid-19來舉例說明， 幫助需要的朋友快速理解兩者差異。
🧪 Precision（精確率）： 陽性結果有多少是真的
模型判斷為陽性的人， 有多少人是真的確診？
白話一點來說就是「我選的人，有多少是對的」。
快篩案例
• 10個快篩陽性。
• 8個確診。
• 2個沒確診。
實際推演
• 公式： Precision = TP (真陽性)/ (TP(真陽性) + FP(假陽性))
• 確診機率： 80% = 8確診/(8確診 + 2沒確診)
👉 解讀：如果你快篩陽性，有 8 成機率真的確診。
🧲 Recall（召回率）：確診的人有多少被抓出來？
在所有「真的確診」的人裡，有多少被快篩檢測出來。
白話一點來說就是「對的人， 我選了多少」。
快篩案例
• 實際上10個確診。
• 快篩檢測出5個人為陽性， 但漏掉了5個人。
實際推演
• 公式： Recall = TP (快篩陽性)/ (TP(快篩陽性) + FN(漏掉的人數))
• 召回率： 50% = 5快篩陽性/(5快篩陽性+5漏掉的人數)
👉 解讀：快篩能找出 50% 的確診者，但還是有一些會漏掉。
⚖️ Precision vs Recall：快篩的兩難
- 高 Precision（精確率高）
- 被判定陽性的人，幾乎都是真的確診。
- 缺點：容易漏掉很多確診者（Recall 低）。
- 比喻：只在很確定的情況下才判定「陽性」。
- 高 Recall（召回率高）
- 幾乎所有確診者都能被抓到。
- 缺點：會有不少假陽性（Precision 低）。
- 比喻：寧可誤判，也不要漏掉確診者。
📊 在快篩的真實情境裡，我們常常需要在「不要漏掉病人」和「不要誤判健康人」之間找到平衡。
🧮 F1-score：平衡的指標
既然 Precision 和 Recall 會拉扯，那能不能有個平衡的指標呢？
答案是F1-score
F1 Score的公式
F1 = 2 × (Precision × Recall) / (Precision + Recall)
快篩案例
F1 = 2 x (80% x 50%) / (80% + 50%) ~= 62%
📊 混淆矩陣（快篩版本）
常見的視覺化方式就是「混淆矩陣」，快篩的例子可以這樣表示：
📌 結語
在疫情控制中，通常會優先考慮 Recall，因為漏掉確診患者比誤判更危險！ 因此Precision與Recall通常是一個取捨的決策， 需要根據真實的情境來做選擇， 並沒有絕對的對與錯， 我們只要習慣帶入公式， 常常決策分析，最終一定能夠選擇出最適合場景的策略。
👉 下次再看到這兩個 AI 名詞，你就可以用「快篩陽性」這個生活案例馬上聯想到它們的意義了！
