評估指標

影像分類模型自稱很準?拿三把尺量一量:準確率(Accuracy)、F1-Score、Top-5 Accuracy — CNN 影像分類的標準驗收組合。

核心觀念

• 準確率:全部影像中分類正確的比例,最直觀
• F1-Score:精確率與召回率的調和平均,兩邊都顧好 F1 才會高;類別不平衡時比準確率誠實
• Top-5 Accuracy:正解落在模型信心前五名內就算對;類別數上千時的常用指標

白話理解

健保醫療影像判讀:一千張 X 光只有 30 張異常,模型全猜「正常」,準確率也有 97% — 好看但沒用。F1-Score 會誠實揭穿:異常一張都沒抓到,召回率是零,F1 直接躺平。

關鍵細節

• 類別平衡、各類同等重要 → 看準確率就夠
• 類別不平衡、漏抓代價高(醫療、製造瑕疵檢測)→ 看 F1-Score
• 類別數爆多、語義相近(哈士奇對狼)→ Top-1 太嚴苛,搭配 Top-5 一起看
• 關係鏈必背:精確率量「誤報多不多」,召回率量「漏抓多不多」,F1 是兩者的調和平均
• 這組指標只管「分類對不對」,不管「物件在哪裡」;定位問題交給 mAP 與 IoU

🎯 口訣:平衡看準確率,不平衡看 F1,千類看 Top-5。

iPAS 考點

情境題年年出現:「瑕疵或病變樣本極少,該用什麼指標評估」→ F1-Score(或精確率、召回率),陷阱選項就是那個好看的準確率。概念題:Top-5 Accuracy 的定義 — 前五名含正解即算對。判斷關鍵字:類別不平衡就找 F1,練到變反射動作。