什麼是情緒分類常用的準確率指標

情緒分類常用的準確率指標有以下幾種，分別從不同角度量化模型的分類效能，是學術與實務分析必備。

主要指標定義

• 準確率（Accuracy）
  全部預測正確樣本數佔總樣本數的比例。公式：

其中TP（真陽性）、TN（真陰性）、FP（偽陽性）、FN（偽陰性）。
適合類別分布均衡時，反映整體模型準確性。

• 精確率（Precision）
  預測為某情緒（正類）的樣本中，真實也屬於該情緒的比例。公式：

用來評估模型預測某情緒結果的可信度。

• 召回率（Recall）
  真實為某情緒的樣本中，模型成功預測為該情緒的比例。公式：

用來衡量模型漏判情緒事件的情況。

• F1-score
  精確率與召回率的調和平均數，更適合不均衡資料情境。公式：

可針對每類情緒計算macro、weighted平均F1分數。

上述指標是情緒分類模型效能評估的業界標準，廣泛應用於AI、語言處理、心理量表等場景，能支撐嚴謹且多維度的科學分析。

實作：

實作目標： 建立測試框架，評估文字情緒RAG效果
資料集： lansinuote/ChnSentiCorp

• 準確率通常做為第一層性能判斷的直觀指標，但在情緒數據分布不均或偏重某些類別時，精確率、召回率和F1-score更具參考價值。
• 多分類情緒任務，會對每個標籤分別計算，並報告平均值。
• 部分資料標示錯誤。
  
• 雖然準確率很高，但實際測試結果不佳，可能是overloading。

• 在使用NB、SVM、RF模型訓練做比較，SVM得到的結果最佳。
  
• 混淆矩陣結果
  
• 參數結果
  
  實作放在colab