一、資訊檢索（Information Retrieval, IR）系統的評估有許多指標，例如求準率（Precision rate）、求全率（Recall rate）、F-Measure。請列舉除了上述三項指標之外的五項資訊檢索系統評估指標，並申論之。（25 分）

詳解提供者：yu

進階的 IR（資訊檢索）評估指標用於更精準地衡量檢索系統在海量資訊中抓取相關資料的效能，超越了單純的查全率（Recall）與查準率（Precision）。核心的進階指標包括 MAP（平均精確度均值）、NDCG（歸一化折損累積增益）以及 MRR（平均倒數排名）。

CSDN博客

以下是幾種主要的進階 IR 評估指標：

MAP (Mean Average Precision)（平均精確度均值）：
- 這是一個綜合性指標，對多個查詢結果的平均精確度進行計算。它考慮了相關文件在檢索列表中的排名順序，排名越靠前，分數越高。適用於衡量系統查找所有相關文件的能力。
NDCG (Normalized Discounted Cumulative Gain)（歸一化折損累積增益）：
- 這是目前最常用的指標之一。它不僅考慮相關與否，還考慮相關的「程度」（如：極度相關、部分相關、不相關）。
- 關鍵優勢：如果高品質（最相關）的文件出現在列表底部，NDCG 會給予嚴厲的處罰（Discounted），並將分數歸一化到
  
  之間，非常適合評估搜尋引擎的排序品質。
MRR (Mean Reciprocal Rank)（平均倒數排名）：
- 專注於用戶找到「第一個」相關文件所需的時間。如果系統將第一個相關文件排在第一位，分數為
  
  ；第二位則為
  
  ，以此類推。適用於「已知項目檢索」（Known-item search），例如查詢特定網頁或檔案。
Precision at K (P@K)：
- 衡量檢索結果中前
  
  個文件（例如前 5 或前 10 個）的精確度。這反映了用戶在搜尋列表頂部看到的品質。
  CSDN博客

這些指標幫助開發者在資訊檢索系統（如搜尋引擎、推薦系統）中，更細緻地平衡「查全率」與「排序相關性」。

詳解提供者：yu

什麼是F-Measure

Gemini 說了

簡單來說，F-Measure（又稱為 F-score）就是把「查準率（Precision）」跟「查全率（Recall）」這兩個指標，透過數學公式揉合在一起的一個「綜合分數」。

為什麼需要它？（人話解釋）

在資訊檢索中，查準率跟查全率通常是「魚與熊掌，不可兼得」：

你想抓得準（查準高），你就得保守一點，只抓最有把握的，但這樣就會漏掉很多（查全低）。
你想抓得全（查全高），你就得寧可錯殺不可放過，什麼都抓，但這樣雜訊就很多（查準低）。

F-Measure 就是用來當裁判的。 它能避免系統「偏科」，確保系統在準確度和完整度之間取得一個平衡。

它的公式（白話數學）

最常用的叫做 F1-score，它是兩者的「調和平均數」：

為什麼要用「調和平均」而不是一般的相加除以二？ 因為調和平均有一個特性：只要其中一個指標非常低，F1 就會被拉低得很慘。

例子：如果 Precision 是 100% 但 Recall 是 0.1%（系統只敢抓一筆），普通平均還有 50 分，但 F1 會趨近於 0。這能懲罰那些「極端偏科」的系統。

F-Measure 的三種常見類型

你可以透過權重（Beta 值）來決定你比較看重誰：

F1-Measure (β=1)：
- 地位相等。最常用，覺得查準跟查全一樣重要。
F2-Measure (β=2)：
- 查全率 (Recall) 比較重要。寧可多抓一點雜訊，也不想漏掉任何相關文件（例如：找醫學文獻、找法律判例）。
F0.5-Measure (β=0.5)：
- 查準率 (Precision) 比較重要。希望抓出來的通通都要對，不想看到雜訊（例如：精準行銷、垃圾郵件過濾）。

詳解提供者：yu

F-Measure公式

F-Measure（又稱 F-Score）是精確度（Precision）與回確率（Recall）的

調和平均數，公式如下：

最常用的是

Score（當 beta=1

時，代表兩者權重相等）：

參數意義：

beta>1

：較看重回確率（例如醫療篩檢，寧可錯殺不可放過）。
beta<1

：較看重精確度（例如垃圾郵件過濾，避免誤判正常郵件）。

一、資訊檢索（Information Retrieval, IR）系統的評估有許多指標，例如求準率（Precision rate）、求全率（Recall rate）、F-Measure。請列舉除了上述三項指標之外的五項資訊檢索系統評估指標，並申論之。（25 分）

詳解 (共 3 筆)