什麼是準確率計算器？
準確率（Accuracy）是評估分類模型最常用的指標之一。它衡量模型在所有預測中「答對」的比例——包含正確判斷為正類，以及正確判斷為負類兩種情況。這個計算器能把混淆矩陣的四個格子，直接換算成準確率，並同時以比值與百分比兩種形式呈現。
如何使用
請從你的混淆矩陣中輸入以下四個數值：
- TP（真陽性，True Positives）——實際為正類，且正確預測為正類的樣本數。
- TN（真陰性，True Negatives）——實際為負類，且正確預測為負類的樣本數。
- FP（偽陽性，False Positives）——實際為負類，卻被誤判為正類的樣本數。
- FN（偽陰性，False Negatives）——實際為正類，卻被誤判為負類的樣本數。
計算器會自動算出準確率。手邊沒有工具？只要把這四個數字相加，再套用下方公式即可。
公式解析
準確率 =（TP + TN）/（TP + TN + FP + FN）。分子是所有預測正確的樣本數，分母則是預測的總樣本數。將結果乘以 100，就能換算成百分比。
實例演算
假設某模型的結果為 TP = 80、TN = 70、FP = 20、FN = 30。正確預測數 = 80 + 70 = 150；總數 = 80 + 70 + 20 + 30 = 200。準確率
不同場景下的準確度
相同的準確度公式 準確度 = ((真正例 + 真負例) ÷ (真正例 + 真負例 + 假正例 + 假負例)) × 100% 可能隱藏非常不同的模型行為。下面的場景每個都使用總共 100 個案例，因此百分比可以直接比較。
| 場景 | 真正例 | 真負例 | 假正例 | 假負例 | 準確度 |
|---|---|---|---|---|---|
| 均衡資料集，優質模型 | 45 | 45 | 5 | 5 | 90% |
| 不均衡，多數為負例（罕見疾病） | 2 | 93 | 2 | 3 | 95% |
| 「總是預測為負例」基準線 | 0 | 95 | 0 | 5 | 95% |
| 高假正例（過度標記） | 48 | 22 | 28 | 2 | 70% |
| 高假負例（遺漏的正例） | 20 | 50 | 0 | 30 | 70% |
關鍵要點是第二行和第三行的比較：一個只預測多數類的模型得分與實際檢測到一些正例的模型相同，都是 95%。在均衡資料集上（第 1 行），準確度要有資訊得多。最後兩行表明，兩個具有相同 70% 準確度的模型可能以相反的、互不相容的方式失敗 —— 一個充滿了假警報，另一個則悄悄遺漏正例。
解釋您的準確度分數
準確度是分類器正確預測的所有預測的比例 —— 包括正例和負例。90% 的準確度意味著每 10 個案例中有 9 個被正確標記，相應的誤差率是 100% - 90% = 10%。這很直觀易於溝通，這正是為什麼它經常被誤讀的原因。
始終與無資訊基準線進行比較。最誠實的合理性檢查是多數類基準線：通過總是猜測最常見類別而獲得的準確度。如果您 95% 的案例是負例，一個盲目預測「負例」的分類器已經達到 95% 的分數。真正的模型必須超過該基準線才有價值 —— 在 50/50 分割上 95% 的準確度令人印象深刻，在 95/5 分割上則一文不值。
何時高準確度會產生誤導。在高度不均衡的資料上，準確度由多數類主導。詐欺檢測器、罕見疾病篩檢工具或缺陷檢測器可以報告 99% 的準確度，同時幾乎捕獲不了實際上重要的罕見正例。在這些情況下，假負例和假正例的成本通常非常不同，單一的整體百分比無法反映這一點。
補充準確度的指標：
- 精確度 —— 在預測為正的案例中，有多少真的是正例：真正例/(真正例+假正例)。當假正例代價高時使用。
- 召回率（靈敏度） —— 在實際正例中，您捕獲了多少：真正例/(真正例+假負例)。當遺漏正例代價高時使用。
- 特異度 —— 在實際負例中，您正確清除了多少：真負例/(真負例+假正例)。
- F1 分數 —— 精確度和召回率的調和平均值，一個在正例類上平衡兩者的單一數字。
- 平衡準確度 —— 靈敏度和特異度的平均值，這在類別不平衡時進行更正，是類別不平衡時更好的主要數字。
對於上面的均衡示例（真正例=45，假正例=5，假負例=5），召回率和精確度都是 45/50 = 90%，所以準確度、精確度和召回率一致 —— 這是資料集均衡的跡象。當它們差異很大時，相信各類指標而不是單一的準確度數字。這是一般性的技術資訊，不是對您特定問題進行領域特定評估的替代品。
定義與詞彙表
- 真正例（真正例）
- 分類器正確預測為正例的正例案例（例如，一個患病患者被標記為患病）。
- 真負例（真負例）
- 分類器正確預測為負例的負例案例（例如，一個健康患者被清除為健康）。
- 假正例（假正例）
- 被錯誤預測為正例的負例案例 —— 假警報。也稱為第一類錯誤。
- 假負例（假負例）
- 被錯誤預測為負例的正例案例 —— 遺漏。也稱為第二類錯誤。
- 混淆矩陣
- 一個 2×2 表格，交叉制表預測與實際類別，真正例、真負例、假正例和假負例作為其四個單元格。它是幾乎所有分類指標的來源。
- 準確度
- 正確預測的比例：(真正例+真負例)/(真正例+真負例+假正例+假負例)，通常以百分比表示。
- 誤差率
- 錯誤預測的比例：(假正例+假負例)/(真正例+真負例+假正例+假負例) = 1 - 準確度。
- 精確度
- 正預測值：真正例/(真正例+假正例) —— 正預測的可信度。
- 召回率
- 靈敏度或真正例率：真正例/(真正例+假負例) —— 找到了多少實際正例。
- 特異度
- 真負例率：真負例/(真負例+假正例) —— 正確識別了多少實際負例。
- F1 分數
- 精確度和召回率的調和平均值：2 · ((精確度 · 召回率) ÷ (精確度 + 召回率))，正例類績效的單一平衡度量。
使用注意事項與精準校對原則（6 大核心守則）
📐 1. 嚴格對齊輸入量綱與單位
輸入各項數值時請務必確認量綱（例如小時、天數、金額、百分比），避免單位不匹配引發推算偏差。
🔒 2. 純前端本機毫秒級隱私保障
所有計算邏輯 100% 在您的終端瀏覽器內完成，資料絕不上傳伺服器，嚴格守護商業與個人隱私。
📊 3. 符合公認學術與產業計算模型
演算法嚴格遵循國際通用數學公式與標準計算模型，經多重情境交叉核對，數值嚴密精確。
📋 4. 一鍵複製與免登入 PDF 匯出
支援一鍵複製推算結果字串至剪貼簿，亦可直接點擊列印按鈕輸出純淨 PDF 工作報表。
🔄 5. 多情景敏感度動態對比
建議針對極端值與多組預期情景分別試算，觀察輸出數據的波動區間，輔助做出更穩健的決策。
🛡️ 6. 專業諮詢與日常參考免責聲明
本工具運算結果供日常排程、學業研習與事前參考之用，如涉及重大法規或投資決策請諮詢持證專家。