Precision

What？

Precision（精確度或正例預測精度）是分類模型評估的關鍵指標，衡量模型預測為正例的結果中，有多少是真正的正例。計算公式為：Precision = TP / (TP + FP)，其中 TP 是真正例（True Positive），FP 是假正例（False Positive）。

Precision 回答的問題是「當模型預測為正例時，其正確的概率是多少」。例如：垃圾郵件分類器預測 100 封郵件為垃圾郵件，其中 95 封確實是垃圾郵件，5 封是正常郵件，則 Precision = 95/100 = 0.95。

Precision 與 Recall（召回率）常常一起使用，但各有側重。Precision 關心的是預測為正例的精確度，Recall 關心的是對所有實際正例的覆蓋率。在不同場景下，對這兩個指標的重視程度不同。垃圾郵件系統更看重 Precision（避免誤刪正常郵件），而醫療診斷更看重 Recall（避免漏診患者）。

Who？

機器學習工程師：模型評估和優化中核心指標之一
資料科學家：選擇合適的評估指標進行模型比較
業務分析師：理解模型效果的商業含義
醫療 AI 工程師：醫療診斷模型評估中需關注 Precision 和 Recall 平衡
推薦系統工程師：評估推薦相關性精度

When？

垃圾郵件偵測：誤判為垃圾的正常郵件會影響使用者體驗，應優化 Precision
詐欺交易偵測：誤判為詐欺的正常交易會困擾用戶，需要高 Precision
醫療診斷輔助：醫生信賴度考量，高 Precision 保證誤診率低
推薦系統：推薦的物品品質重要，高 Precision 表示推薦相關性強

Where？

模型評估階段：訓練完成後在測試集上計算 Precision
超參數調整：通過調整決策閾值來平衡 Precision 和 Recall
業務決策點：選擇合適的分類閾值以滿足業務需求
效能監控：線上模型監控中持續追蹤 Precision 變化

Why？

Precision 解決的核心問題是預測質量的評估。簡單的準確度（Accuracy）在資料不平衡時會誤導。例如：在 1000 條郵件中有 950 條垃圾郵件，即使模型把全部郵件都分類為垃圾，準確度也達 95%，但這個模型完全無用。Precision 提供了不同角度的評估。

其次，Precision 與業務成本直接相關。誤判成本在不同場景差異大：垃圾郵件系統中誤刪正常郵件（FP）成本很高，醫療診斷中漏診患者（FN）成本更高。選擇合適的指標指導模型優化方向。

第三，Precision 與 Recall 的平衡體現了不同場景的權衡。並不存在「完美」指標，只有符合業務目標的指標選擇。

How？

🛠️ 建立階段

計算混淆矩陣和 Precision：

from sklearn.metrics import confusion_matrix, precision_score
import numpy as np

y_true = [1, 0, 1, 1, 0, 1, 0, 0, 1, 1]
y_pred = [1, 0, 1, 0, 0, 1, 1, 0, 1, 1]

# 混淆矩陣
tn, fp, fn, tp = confusion_matrix(y_true, y_pred).ravel()
print(f"TP={tp}, FP={fp}, FN={fn}, TN={tn}")

# Precision 計算
precision = tp / (tp + fp)
print(f"Precision: {precision:.2f}")

使用 scikit-learn 直接計算：

from sklearn.metrics import precision_score

precision = precision_score(y_true, y_pred)
print(f"Precision: {precision:.4f}")

# 多分類情況
precision_weighted = precision_score(y_true, y_pred, average='weighted')

🔍 查詢階段

計算 Precision-Recall 曲線：

from sklearn.metrics import precision_recall_curve
import matplotlib.pyplot as plt

y_scores = [0.9, 0.1, 0.8, 0.3, 0.2, 0.7, 0.4, 0.15, 0.85, 0.95]
precisions, recalls, thresholds = precision_recall_curve(y_true, y_scores)

plt.plot(recalls, precisions)
plt.xlabel('Recall')
plt.ylabel('Precision')
plt.show()

補充說明

📌 範例比較

指標	公式	含義	優先場景
Precision	TP/(TP+FP)	預測正確率	誤判成本高
Recall	TP/(TP+FN)	覆蓋率	漏判成本高
F1-Score	2PR/(P+R)	平衡指標	整體評估
Accuracy	(TP+TN)/總數	整體準確度	資料平衡

🧠 延伸／常見誤解

誤解 1：Precision 越高越好。高 Precision 通常伴隨低 Recall，這在需要覆蓋所有正例的場景（如患者診斷）中不適用。

誤解 2：Accuracy 高表示模型好。在資料極度不平衡的情況下，Accuracy 無法反映真實效果。必須結合 Precision 和 Recall。

延伸：F1-Score 是 Precision 和 Recall 的調和平均，當兩者都重要時使用。ROC-AUC 從另一角度評估分類效果，與 Precision-Recall 互補。

What？​

Who？​

When？​

Where？​

Why？​

How？​

🛠️ 建立階段​

🔍 查詢階段​

補充說明​

📌 範例比較​

🧠 延伸／常見誤解​