以 Table 7.3 與 Figure 7.10 拆解 Classification Performance。
能從 TP、TN、FP、FN 計算並解讀核心 Classification Metrics。
Positive Class 為 Survived；Negative Class 為 Perished。
| 分類 | 原書數值 |
|---|---|
| True Positive（TP） | 348 |
| True Negative（TN） | 686 |
| False Positive（FP） | 124 |
| False Negative（FN） | 153 |
Precision=TP/(TP+FP)；NPV=TN/(TN+FN)；Sensitivity=TP/(TP+FN)；Specificity=TN/(TN+FP)；Accuracy=(TP+TN)/Total；F1=2TP/(2TP+FP+FN)。
原書結果：Precision 73.73%；NPV 81.76%；Sensitivity 69.46%；Specificity 84.69%；False Positive Rate 15.31%；Accuracy 78.87%；F1 71.53%。
Accuracy 接近 80%，但 F1 接近 70%。原書提醒 Accuracy 不區分 FP 與 FN 的 Business／Social Cost，因此不能單獨依賴。
根據 TP=348、TN=686、FP=124、FN=153，逐項驗算 Precision、Sensitivity、Specificity、Accuracy、F1，並解釋不同錯誤的管理意義。
為什麼 Accuracy 78.87% 仍不足以完整評估模型？
參考解答： 因 Accuracy 不區分 FP 與 FN；原書以 F1 與錯誤成本提醒需同時檢視其他 Metrics。