依 Figure 8.10 的 Misclassification Output 建立 Confusion Matrix，延續 Chapter 7 的 Classification Evaluation。
能由 Decision Tree Output 計算 Precision、Specificity、Sensitivity、Accuracy 與 F1。
原書要求使用 Figure 8.10 的四類 Classification Counts，建立與 Logistic Regression 相同格式的 Confusion Matrix。
| 所需資料 | 來源 |
|---|---|
| True Positive | Figure 8.10 |
| True Negative | Figure 8.10 |
| False Positive | Figure 8.10 |
| False Negative | Figure 8.10 |
Precision=TP/(TP+FP)；Sensitivity=TP/(TP+FN)；Specificity=TN/(TN+FP)；Accuracy=(TP+TN)/Total；F1=2TP/(2TP+FP+FN)。
本案例所取得的原書文字沒有完整列出 Figure 8.10 四個 Count，因此不猜測數值；應直接依原書 Figure 8.10 讀值後計算。
與 Logistic Regression 相同，Decision Tree 不能只以 Accuracy 評估；False Positive 與 False Negative 的管理成本可能不同。
我會提供 Figure 8.10 的 TP、TN、FP、FN。請只使用這四個原書數值驗算 Precision、Specificity、Sensitivity、Accuracy、F1，不得推測缺值。
若兩個模型 Accuracy 相同，但其中一個 False Negative 明顯較少，是否一定比較好？
參考解答： 不一定；需依 Decision Context 判斷 False Negative 與 False Positive 的成本。