同時兼顧 Precision 和 Recall，要看哪個指標？
原題
如果希望同時兼顧「精確率（Precision）」和「召回率（Recall）」，下列哪一個指標可以作為綜合評估的標準？
白話
評估 AI 分類模型時，有兩個常用指標：「Precision（精確率）」和「Recall（召回率）」。這兩個指標通常互相牽制，很難同時都高。
有一個指標可以把這兩個合併成一個分數，方便你一眼看出模型整體表現。
問你：哪一個指標能同時兼顧 Precision 和 Recall？
先自己選一個答案，再看完整解析。
一句話總結
要同時兼顧精確率和召回率，答案是 F1 分數（F1 Score）：它是 Precision 和 Recall 的調和平均數，兩者都高時 F1 才會高，任一個很低時 F1 也會跟著低。
情境
先感受問題：抓壞人和冤枉好人，很難兩全
「信安金融」的 AI 風控系統要辨識詐騙交易，每筆交易分類成「詐騙（正例）」或「正常（負例）」。
工程師面對一個兩難：
Precision（精確率）：AI 說「這是詐騙」時，真的有多少比例是詐騙？
→ Precision 高 = AI 很少冤枉好人
Recall（召回率）：所有真正的詐騙交易，AI 抓到了多少？
→ Recall 高 = AI 很少漏掉壞人
問題：如果把 AI 調得「非常謹慎」（只有非常確定才說詐騙），Precision 就很高，但很多詐騙沒被抓到，Recall 就低。反過來，如果「非常激進」（稍有嫌疑就說詐騙），Recall 高，但冤枉很多好人，Precision 低。
這時候需要一個指標，讓你在這個 tradeoff 中找到綜合評估的依據，那就是 F1 分數。
F1 分數是 Precision 和 Recall 的調和平均：兩個都高，F1 才高；任何一個很低，F1 就跟著低。比單純算算術平均更嚴格。
舊方法
只看 Precision 或 Recall 各自會踩哪些坑？
- 只看 Recall 的問題：AI 學到「所有交易都說詐騙」就能達到 Recall = 1.0（沒有漏掉任何詐騙），但 Precision 接近 0，實際上毫無用處。信安金融會把所有正常客戶都凍結帳戶。
- 只看 Precision 的問題：AI 學到「只對最確定的一筆詐騙下判斷」，Precision = 1.0（判定詐騙的都真的是詐騙），但 Recall 接近 0，99.9% 的詐騙都漏掉了。
- 只看 Accuracy 的問題：如果 1000 筆交易裡只有 10 筆是詐騙（1% 詐騙率），AI 說「所有都是正常」就能得到 99% 的 Accuracy，但完全沒用。
- 無法比較兩個模型誰更「均衡」：模型 A（Precision 0.9，Recall 0.3）和模型 B（Precision 0.6，Recall 0.7），光看個別數字很難判斷誰更好用，F1 讓比較有單一基準。
- 決策者要求「一個數字說了算」：向主管報告時，同時說 Precision 和 Recall 容易讓人困惑，F1 提供了一個綜合分數方便決策。
新方法
F1 分數：調和平均讓任何一個低都會拖分
信安金融的工程師用 F1 分數作為模型評估基準：
模型 A 的 F1：Precision = 0.9，Recall = 0.3
F1 = 2 × (0.9 × 0.3) / (0.9 + 0.3) = 2 × 0.27 / 1.2 = 0.45
模型 B 的 F1：Precision = 0.6，Recall = 0.7
F1 = 2 × (0.6 × 0.7) / (0.6 + 0.7) = 2 × 0.42 / 1.3 ≈ 0.65
模型 B 的 F1 明顯更高，代表它在「不冤枉好人」和「不漏掉壞人」之間取得了更好的平衡。
算術平均的問題：(0.9 + 0.3) / 2 = 0.60，和 (0.6 + 0.7) / 2 = 0.65，差距沒那麼明顯。調和平均（F1）對低值更敏感，更能凸顯 Recall = 0.3 這個嚴重弱點。
這就是選項 D 講的：F1 分數（F1 Score）能兼顧 Precision 和 Recall。
中級考試大概率會考程式碼跟公式，所以這部分你還是要學。但如果現在學起來很痛苦，可以先跳過，等讀完其他題目回頭再來。
Step 1 純故事版（不出現公式）
想像兩個跑者的平均速度：一個跑 10 公里花了 1 小時，另一個跑 10 公里花了 9 小時。
算術平均：(10 + 10/9) / 2 ≈ 5.6 公里/小時，但實際上兩個人合計跑了 20 公里花了 10 小時，真正的平均是 2 公里/小時。
調和平均才是正確答案，而 F1 就是 Precision 和 Recall 的調和平均：它對「低分那個」更敏感，一個很低的值會大幅拉低整體。
Step 2 中文 ↔ 公式對照
| 白話說法 | 公式 |
|---|---|
| Precision（精確率） | P = TP / (TP + FP) |
| Recall（召回率） | R = TP / (TP + FN) |
| F1 分數 | F1 = 2PR / (P + R) = 2TP / (2TP + FP + FN) |
| 調和平均（n=2）的一般式 | H = 2 / (1/P + 1/R) |
| 廣義 Fβ 分數 | Fβ = (1+β²) × PR / (β²P + R) |
Step 3 符號角色表
- TP（True Positive）：真陽性：AI 說「詐騙」，真的是詐騙
- FP（False Positive）：假陽性：AI 說「詐騙」，但其實是正常交易（冤枉好人）
- FN（False Negative）：假陰性：AI 說「正常」，但其實是詐騙（漏掉壞人）
- TN（True Negative）：真陰性：AI 說「正常」，真的是正常交易
- β（beta）：Fβ 中對 Recall 的重視程度，β > 1 代表更在乎 Recall，β < 1 更在乎 Precision
Step 4 完整公式計算範例
信安金融模型評估： TP = 80（抓到的真實詐騙） FP = 20（冤枉的正常交易） FN = 40（漏掉的詐騙） TN = 860（正確識別的正常交易） Precision = 80 / (80 + 20) = 80/100 = 0.80 Recall = 80 / (80 + 40) = 80/120 ≈ 0.667 F1 = 2 × 0.80 × 0.667 / (0.80 + 0.667) = 2 × 0.533 / 1.467 ≈ 0.727 Accuracy = (TP + TN) / Total = (80 + 860) / 1000 = 0.94 → Accuracy 看起來很高，但 F1 = 0.727 才真正反映詐騙偵測的效果
Step 5 自我複述
- FP 增加時，Precision 會怎麼變化？
- FN 增加時，Recall 會怎麼變化？
- F1 和算術平均的主要差別是什麼？哪一個對極端值更敏感？
- 如果詐騙漏掉的代價遠大於冤枉好人，應該用 F1 還是 Fβ（β > 1）？
- Accuracy 在類別不平衡（imbalanced）的資料集上有什麼問題？
錯選項
為什麼其他選項是錯的
A準確率（Accuracy）
字面在說什麼
Accuracy 可以同時兼顧 Precision 和 Recall。
為什麼不對
Accuracy 的公式是 (TP + TN) / 全部樣本，它包含了 TN（正確識別的負例），完全不反映 Precision 和 Recall 的 tradeoff。在類別不平衡的資料集（如詐騙偵測，99% 正常交易），把所有交易都說「正常」，Accuracy = 99%，但 Precision 和 Recall 都是 0。Accuracy 和 Precision/Recall 是完全不同維度的指標。
誰會選錯
記得「Accuracy 是最常用的評估指標」就直接選的人，沒有意識到 Accuracy 無法反映 Precision 和 Recall 的平衡關係。
B均方根誤差（RMSE）
字面在說什麼
RMSE 能綜合評估 Precision 和 Recall。
為什麼不對
RMSE（Root Mean Squared Error）是迴歸任務（預測連續值，如房價、溫度）的評估指標，衡量預測值和真實值之間的距離。Precision 和 Recall 是分類任務的概念，RMSE 根本無法計算分類任務的 Precision 和 Recall。完全用錯場景的指標。
誰會選錯
知道 RMSE 是「常見評估指標」但不清楚它適用於迴歸而非分類的人。看到「均方根誤差」有個「誤差」就覺得適合用來衡量任何錯誤。
C均方誤差（MSE）
字面在說什麼
MSE 能綜合評估 Precision 和 Recall。
為什麼不對
MSE（Mean Squared Error）和 RMSE 一樣，是迴歸任務的指標，而非分類指標。MSE = 預測值和真實值差的平方的平均，和分類任務的 TP/FP/FN 沒有任何關係。選項 B 和 C 都是在考「你有沒有搞清楚迴歸指標和分類指標的區別」。
誰會選錯
和選 B 的人同類型：把所有「有個誤差公式的指標」都認為可以評估分類效果，對指標的適用場景缺乏了解。
變形題
同個考點下次怎麼變形
答案
最大值 1.0：Precision = 1.0 且 Recall = 1.0，所有詐騙都抓到，且沒有冤枉任何好人。最小值 0：Precision = 0 或 Recall = 0，例如所有預測都是錯的（Precision = 0），或漏掉所有正例（Recall = 0）。F1 = 0 代表模型完全沒有實用價值。
答案
模型 A 的 F1 = 2×0.81/1.8 = 0.9，模型 B 的 F1 = 2×0.25/1.0 = 0.5。模型 A 明顯更好。這道題的意義是：F1 和 Precision/Recall 是同方向的，不是「兩者都差」就能騙過 F1。F1 只能保護你不被「一高一低的假象」欺騙。
答案
Macro-F1：對每個類別各算 F1，再取平均，每個類別權重相等。適合類別數量差異大（如少數族裔分類），確保小類別也被重視。Micro-F1：先把所有類別的 TP/FP/FN 加總，再算 F1，大類別主導結果。適合整體效能評估。類別不平衡時，Macro 和 Micro 的差距會很大。
答案
是的，搜尋引擎裡：Precision = 搜尋結果裡有多少比例是真正相關的文件；Recall = 所有相關文件裡有多少被找出來了。搜尋引擎更在乎 Precision（不要給垃圾結果），學術研究更在乎 Recall（不要漏掉重要文獻）。F1 在資訊檢索評估中也很常用。
答案
當 Precision 和 Recall 的重要程度不一樣時。醫療篩檢（漏掉病人代價極高）：用 F2（β=2），讓 Recall 的重量是 Precision 的四倍。垃圾郵件過濾（誤刪重要郵件代價高）：用 F0.5（β=0.5），讓 Precision 更重要。一般情況才用 F1（β=1，兩者同等重要）。
延伸
想再往下看，這 5 個
- F1 分數（F1 Score）
核心考點：Precision 和 Recall 的調和平均數，任一指標接近 0 都會大幅拉低 F1，是同時兼顧兩者的標準指標。 - 精確率（Precision）
F1 的組成分之一，衡量模型預測為正例中真正為正例的比例，與 Recall 存在此消彼長的權衡關係。 - 召回率（Recall）
F1 的另一組成分，衡量所有真實正例中被模型正確找出的比例，與 Precision 共同決定 F1 的值。 - ROC 曲線（Receiver Operating Characteristic）
另一個綜合評估指標，以 True Positive Rate vs False Positive Rate 描繪模型表現，常與 F1 並用作比較。 - 準確率（Accuracy）
最直覺的分類指標，但在類別不平衡時失效，是 F1 設計要解決的問題，易與 F1 混淆的對照概念。