---
title: "二元分類（Binary Classification）"
slug: binary-classification
language: zh-TW
source: https://aiterms.tw/terms/binary-classification
updated_at: 2026-06-22
tags: [監督學習, 分類, 混淆矩陣, ROC-AUC, 類別不平衡]
ipas_term: false
---

# 二元分類（Binary Classification）

機器學習任務的一種，目標是將輸入樣本判斷為兩個互斥類別之一（如是/否、正常/異常）。

## 完整說明

二元分類（Binary Classification）是監督式學習中最基礎的任務形式，目標是建立一個模型，將每個輸入樣本分配到兩個預先定義的類別之一，通常標記為正類（Positive）和負類（Negative），或以 1 和 0 表示。常見應用包含垃圾信件偵測、疾病診斷、詐欺偵測等，評估指標涵蓋精確率、召回率、F1 分數、ROC-AUC 等。

## 常見問題

### 在類別嚴重不平衡時，應該用哪個評估指標？

準確率（Accuracy）在類別不平衡時幾乎沒有參考價值。建議優先關注 F1 分數（同時考慮精確率與召回率）、PR-AUC（精確率-召回率曲線下面積，對不平衡資料特別敏感）、以及 ROC-AUC（整體區分能力）。具體選哪個還需結合業務目標：若假陰性代價高（如癌症篩檢），召回率更重要；若假陽性代價高（如騷擾警報），精確率更重要；若兩者需要平衡，F1 是常見選擇。

### 二元分類和異常偵測（Anomaly Detection）有什麼差別？

兩者在應用上有重疊，但學習方式不同。二元分類是監督式學習，需要正類和負類的標注資料；異常偵測通常假設正常樣本遠多於異常樣本，且異常樣本可能稀少難以標注，因此更常採用無監督或半監督方法（如 Isolation Forest、One-Class SVM、Autoencoder）。若正類（異常）樣本足夠且有標注，可以直接當二元分類問題處理；若正類樣本極少或無法提前定義所有異常類型，異常偵測方法更合適。

### 決策閾值預設 0.5 是最好的嗎？

0.5 只是慣例上的起點，不一定是合適的選擇。適合的閾值應根據業務目標決定。例如在醫療篩檢中，寧願多做幾個不必要的確診（假陽性），也不要漏掉真正的患者（假陰性），此時應降低閾值（如 0.3）以提高召回率。反之，若誤報代價高，應提高閾值。建議的做法是：畫出精確率-召回率曲線（PR curve），根據業務對兩者的權重選擇對應的閾值，或使用 F-beta 分數（beta > 1 時更重視召回率，beta < 1 時更重視精確率）來系統性地選擇適合的閾值。

---

來源：https://aiterms.tw/terms/binary-classification
快查頁：https://aiterms.tw/terms/binary-classification
最後更新：2026/06/22
深度解說：https://aiterms.tw/learning/what-is-binary-classification