透過這四個指標，混淆矩陣幫助我們計算出多種常見的評估指標，
這些指標能夠反映出模型在處理分類問題中的表現：

1.準確率 (Accuracy)：
準確率是最簡單的一個衡量指標，表示模型預測正確的比例。
計算公式： Accuracy=TP+TNTP+TN+FP+FNAccuracy = \frac{TP + TN}{TP + TN + FP + FN}Accuracy=TP+TN+FP+FNTP+TN​
適用場景：當正負樣本的數量比較均衡時，準確率是很好的指標。但當類別不平衡時，準確率可能會誤導我們。例如，在非常稀有事件（如罕見疾病檢測）中，即便模型全部預測為「負類」，其準確率也可能很高，因為正樣本非常少。

2.精確率 (Precision)：
精確率表示所有預測為正樣本的案例中，有多少是真正的正樣本。
計算公式： Precision=TPTP+FPPrecision = \frac{TP}{TP + FP}Precision=TP+FPTP​
適用場景：在我們更關心錯誤預測正類時（即False Positive），精確率是非常重要的指標。例如，在垃圾郵件分類中，我們不希望正常郵件被錯誤標記為垃圾郵件，因此精確率應該保持較高。

3.召回率 (Recall) 或稱為靈敏度 (Sensitivity)：
召回率表示所有實際為正樣本的案例中，有多少被正確預測為正樣本。
計算公式： Recall=TPTP+FNRecall = \frac{TP}{TP + FN}Recall=TP+FNTP​
適用場景：在我們更關心漏報正類時（即False Negative），召回率非常重要。例如，在醫療檢測中，我們希望最大化召回率，因為漏報患者的風險非常大。