完整定義
偏差 (Bias) 是一種系統性的誤差,用於描述模型預測結果與真實值之間的平均差異。偏差可能源於訓練資料的代表性不足、模型假設的簡化,或是演算法本身的限制。在 iPAS 考試中,理解偏差的來源和影響,以及如何減輕偏差,是評估考生對模型評估和公平性意識的重要指標。
白話說明
模型老是偏向同一邊,不管資料怎麼變都差不多往那個方向錯,這算什麼問題?
你可以把偏差想成系統性偏離真相的傾向,像箭一直射同一邊。
它可能來自資料不平衡、模型太簡單,或設計上本來就有偏向。
記住這句
每次都往同一邊錯,多半就是偏差高
比喻:偏差就像一個人戴著有色眼鏡看世界 -- 他會習慣性地對某些人事物產生預設立場或誤判,因為他的「鏡片」(模型)或「視野」(訓練資料)一開始就帶有偏頗。
容易混淆
偏差 vs 方差?
偏差:系統性地往某方向錯
方差:對不同資料很不穩定
最關鍵的區別:偏差看方向一致,方差看穩不穩
偏差 vs 誤差?
偏差:有時也會指公平性偏見
誤差:泛指預測和真值的差距
最關鍵的區別:在模型評估和公平議題裡,偏差的語意不完全一樣
偏差 vs 過擬合?
偏差:常和欠擬合有關
過擬合:模型把訓練資料記太熟
最關鍵的區別:偏差高常是學不夠,過擬合則是記太多
實際案例
貸款審核
模型對某些族群總是偏嚴格,這可能是資料分布或特徵設計造成的偏差
影像辨識
如果訓練資料幾乎都來自白天,模型一到夜間就一直判錯,也是一種系統性偏差
iPAS 考題
Q:偏差和方差有什麼不同?
偏差是系統性錯誤,方差是對不同資料的敏感程度。
Q:偏差高通常代表什麼?
通常代表模型太簡單或學習不足,容易欠擬合。
演算法與應用
- 重點
- 來源
- 你要看什麼
- 資料、模型、流程
- 為什麼重要
- 偏差不一定只來自模型本身
- 重點
- 偵測
- 你要看什麼
- 群體比較、誤差分析
- 為什麼重要
- 要看是不是某些族群特別受影響
- 重點
- 修正
- 你要看什麼
- 補資料、改特徵、調模型
- 為什麼重要
- 降低系統性偏離
三種 bias 不要搞混
Bias 是 AI 領域最容易誤解的字之一,因為它在三個不同層次上各有一個意思,中文翻譯也不一樣。
第一種,統計偏差。 出現在偏差與變異數權衡(bias-variance tradeoff)裡。偏差高代表模型太簡單、抓不住資料的真實規律,也就是欠擬合。用線性模型去配一條明顯彎曲的關係,就是典型的高偏差。
第二種,演算法偏見。 這是資料或流程造成的不公平。招募模型因為歷史資料裡某性別錄取率較低,就學會壓低該性別的分數,這叫偏見,不是統計上的偏差。處理方式也完全不同,前者要換模型,後者要檢查資料來源、標註流程與評估切面。
第三種,偏置項。 純粹是數學上的一個可學習常數,讓函數不必通過原點。它跟前兩種完全沒有關係,只是剛好同名。
讀文獻或跟人討論時,先確認講的是哪一種。這三個東西的成因、量測方式與解法沒有一項相同。
- 場合
- 統計與模型評估
- 英文
- bias
- 中文
- 偏差
- 指的是什麼
- 模型的系統性誤差,跟變異數(variance)成對出現
- 場合
- 公平性與倫理
- 英文
- bias
- 中文
- 偏見
- 指的是什麼
- 模型對特定族群產生不公平的結果
- 場合
- 神經網路結構
- 英文
- bias term
- 中文
- 偏置項
- 指的是什麼
- 每個神經元加的那個常數,跟權重一起被訓練
情境判斷
Q1:訓練和測試都很差,而且錯誤方向很一致,這更像偏差還是方差?
更像偏差,因為它是系統性地錯在同一邊
Q2:如果模型在不同資料上忽高忽低,但平均來看不一定偏一邊,這更像什麼?
更像方差,因為不穩定性比固定方向的錯誤更明顯
常見問題
不一定。某些情境下適度偏差能換來更穩定的模型。
通常要從更多資料、更好的特徵或更有表達力的模型下手。
不完全一樣,前者更關心不同群體是否受到不公正對待。
不一樣。追星圈說的 bias 是指團體裡最喜歡的成員,屬於流行用語。本頁的偏差是統計與機器學習用語,指預測或估計結果和真實值之間的系統性落差。英文 bias 一般還有偏見、偏好的意思。
沒有直接關係。日本的偏差值是把考試分數換成平均 50、標準差 10 的分數,算法是 50 + 10 × (分數 - 平均) ÷ 標準差,用來看自己在群體中的位置。機器學習的偏差是模型預測和真實值之間的系統性落差,兩者只是字面相同。
不是。神經網路每個神經元的偏差項是一個可學習的參數,相當於 y = b + w₁x₁ + w₂x₂ 裡的截距 b,讓輸出不必通過原點。本頁的偏差是預測結果和真實值之間的系統性落差,兩者英文都叫 bias,但意思不同。
範例考題
某連鎖零售企業使用生成式 AI 協助規劃門市補貨策略。決策時需同時考慮多項彼此相關的因素,例如:庫存水位、促銷活動、區域銷售差異與物流限制。專案團隊發現,AI 雖能逐步說明推論過程,但對於多條件之間的相互影響掌握不足,導致建議結果偶有偏差。若希望透過提示工程(Prompt Engineering)改善此問題,下列哪一種策略最為適合?
- AChain of Thought,要求模型逐步展開推論
- BTree of Thoughts,增加多種推論路徑探索
- CGraph Prompting,以結構化方式呈現條件與關聯
- DZero-shot Prompting,避免範例影響模型判斷
正解是 C:Graph Prompting,以結構化方式呈現條件與關聯
解析:問題的核心是多條件之間的相互影響掌握不足。Graph Prompting 以結構化方式呈現條件與條件之間的關聯,最適合處理多因素間複雜交互關係的推論。
某招聘公司使用生成式 AI 生成面試問題與候選人評估建議。團隊發現模型可能對性別或年齡產生的資料分布偏差。下列哪一種策略最能有效降低生成偏差輸出的風險?
- A調整模型架構與參數,使生成更靈活與多樣化
- B大幅增加訓練資料量,但不清理或平衡資料中的性別與年齡分布
- C在生成後對模型輸出進行人工審查,並依偏差情況修正結果
- D僅允許高階主管操作系統,透過人員篩選控制生成結果
正解是 C:在生成後對模型輸出進行人工審查,並依偏差情況修正結果
解析:在生成後進行人工審查並依偏差情況修正結果,是目前最實際有效的降低偏差輸出風險的做法,能在模型輸出到達最終使用者前進行品質把關。
出現在這些考古題
官方公告試題的逐題解析裡,這 1 題把偏差列為延伸術語。
立即測驗
想測試你對 偏差 的掌握程度?用考古題作答
相關術語
來源
參考來源:en.wikipedia.org
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