【洪小漢】評論

F值，亦被稱做F-measure，是一種量測方法的精確度常用的指標，經常用來判斷演算法的精確度。目前在辨識、偵測相關的演算法中經常會分別提到精確率（precision）和召回率（recall），F-score能同時考慮這兩個數值，平衡的反映這個演算法的精確度。TP, FN, FP, TN編輯前面的true/false修飾後面的positive/negative，後面的positive/negative是我們的方法的判斷。TP (true positive)：我們的方法判斷為真，這個判斷是對的。即事實上為真，而且被我們的方法判斷為真的情形。FN (false negative)：我們的方法判斷為不真，這個判斷是錯的。即事實上為真，卻未被我們的方法判斷為不真的情形。FP (false positive)：我們的方法判斷為真，這個判斷是錯的。即事實上不為真，卻被我們的方法誤判為真的情形。TN (true negative)：我們的方法判斷為不真，這個判斷是對的。即事實上不為真，而且被我們的方法判斷成不為真的情形。以抓犯人為例，TP是有罪而且被抓到的情形，FP是無罪但被誤抓的情形，FN是有罪但沒被抓到的情形，TN是無罪且未被誤逮的情形混淆矩陣 判斷為真判斷不為真事實上為真TPFN事實上不為真FPTNPrecision和RecallPrecision的分母為兩種判斷為真的情形的總和（范恩圖中完整綠色的部份）解釋：當辨識結果為FP的代價很高時，F-score應該著重此指標，亦即precision要很高。例子：辨識電郵信箱裡的垃圾郵件時，如果某封被誤判成垃圾郵件（即FP）時，使用者可能就此錯過重要的通知。Recall的分母為事實上為真的情形的總和（范恩圖中完整紫色的部份）解釋：當辨識結果為FN的代價很高時，F-score應該著重此指標，亦即precall要很高。舉例：一個傳染病診斷辨識系統中，如果某個傳染病患者被誤判成陰性（即FN），當地的社區的居民就落入被傳染的高風險之中。舉例：真正犯罪的人當中，有多少比例的罪犯被抓到。或，一張照片當中，有多少人臉被偵測到。 Precision和Recall的異同編輯它們的分子皆為TP。F-score的recall和precision之間存在著權衡的關係，可通過 β 調整更重視的部份。以警察抓犯人的故事為例：一位警察很厲害，抓了很多犯人，但是這些犯人當中，只有少部分真正有罪，其他都是被冤枉的。recall高，因為該抓與不該抓的犯人都被抓到了precision低，因為很多都是沒犯罪的人「寧可錯抓一百，也不可放過一個」→   recall 高，但 precision 低一個警察非常嚴謹，只逮捕真正有犯罪的人，不抓實在是沒辦法肯定的犯人。precision高，因為通常被抓到人的都是有罪的，recall低，因為不小心放掉一大群犯人「寧可錯放一百，也不可冤枉一個」→   precision 高，但 recall 低