AITerms 登入
iPAS 中級 模型評估機器學習AI基礎

準確率(Accuracy)是什麼?

所有預測中正確的比例 = (TP+TN)/(全部)。類別不平衡時容易被多數類主導

完整定義

準確率是一種常用的模型評估指標,用於衡量分類模型預測正確的比例。它通過計算預測正確的樣本數量與總樣本數量之比來得到。準確率簡單易懂,但當數據集存在類別不平衡時,準確率可能會產生誤導。在 iPAS 初級考試中,理解準確率的計算方法和局限性是重要的。

白話說明

你考試拿了 95 分,聽起來很厲害,但如果全班都拿 95 分以上呢?

準確率就是「所有預測裡面猜對的比例」,公式是 (TP+TN)/(全部)。聽起來簡單直覺,但它有一個致命弱點:當資料類別嚴重不平衡時,準確率會騙你。假設 100 個病人裡只有 1 個有癌症,一個什麼都不做的模型直接說「全部沒癌症」就能拿到 99% 準確率,但那個真正有癌症的人被漏掉了。

所以準確率只是模型評估的起點,不是終點。

記住這句

猜對的除以全部,但類別不平衡時會騙人。

比喻:準確率就像考試成績單上的「總分正確率」-- 考卷上所有題目裡,你答對的題數佔總題數的比例,用來衡量你整體表現好不好。

容易混淆

準確率 vs 精確率(Precision)vs 召回率(Recall)

準確率:所有預測中猜對的比例,不分類別。

精確率:模型說「是」的裡面,真的是的比例。

召回率:所有真的是的樣本中,模型抓出來的比例。

最關鍵的區別:準確率看「整體對不對」,精確率看「說是的準不準」,召回率看「漏掉多少」。

實際案例

垃圾郵件過濾器

一個郵件過濾器準確率 98%,聽起來不錯。但實際上 95% 的郵件本來就是正常郵件,這個過濾器只是把大部分郵件都標成「正常」,對垃圾郵件的偵測率其實只有 60%。改用 F1 分數評估後才發現問題。

信用卡詐欺偵測

某銀行的詐欺偵測模型準確率 99.9%,但每天 100 萬筆交易裡只有 100 筆是詐欺。模型全部預測「不是詐欺」也能達到 99.99% 準確率,卻完全沒有抓到任何一筆詐欺交易。

深入了解

指標
準確率(Accuracy)
公式
(TP+TN)/(TP+TN+FP+FN)
適用場景
類別平衡的資料集
指標
精確率(Precision)
公式
TP/(TP+FP)
適用場景
誤報成本高的場景(如垃圾郵件)
指標
召回率(Recall)
公式
TP/(TP+FN)
適用場景
漏報成本高的場景(如癌症篩檢)
指標
F1 分數
公式
2×P×R/(P+R)
適用場景
需要兼顧精確率和召回率

情境判斷

Q1(直覺題): 你的模型在測試集上準確率 92%,資料集有 50% 正樣本、50% 負樣本。這個準確率可信嗎?

可信。因為類別平衡,92% 準確率代表模型確實學到了有意義的模式,不是靠預測多數類灌水。

Q2(判斷題): 你在做罕見疾病篩檢,患病率只有 0.1%。模型 A 準確率 99.9%,模型 B 準確率 95%。你應該選哪個?

不能只看準確率。模型 A 可能只是全部預測「沒病」就拿到 99.9%。你應該看召回率(漏掉多少病人)和精確率(誤判多少健康人),用 F1 分數或 AUC-ROC 做綜合判斷。

iPAS 考題

Q1: 在類別不平衡的資料集中,以下哪個指標最不適合用來評估模型效能? (A) 準確率 (B) F1 分數 (C) AUC-ROC (D) 精確率

(A) 準確率。類別不平衡時,模型只要預測多數類就能拿到很高的準確率,無法反映模型對少數類的偵測能力。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 5 題把準確率列為延伸術語。

立即測驗

想測試你對 準確率 的掌握程度?用考古題作答

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

這個術語目前沒有標註外部來源。

考試範圍:iPAS AI 應用規劃師評鑑內容範圍參考(115.02 更新),經濟部產業人才能力鑑定,實際考試內容以官方公告為準。

其他格式:Markdown 版本