完整定義
精確率(Precision)是一種用於評估分類模型效能的指標,用於衡量模型預測為正例的樣本中,真正為正例的比例。計算公式為:真正例 / (真正例 + 假正例)。在 iPAS 初級考試中,精確率是評估模型效能的重要指標之一,需要與其他指標(如召回率、F1 分數)一起使用,以全面了解模型的表現。
白話說明
你有沒有遇過模型一直亂報警,讓你懷疑它到底抓對幾個?
你可以把 精確率 想成 看模型對下文有多不猶豫。
語言模型越會接續文字,困惑度通常越低,預測為正的裡面,有多少是真的 這件事就特別重要。
記住這句
預測為正的裡面,有多少是真的
比喻:精確率就像是「警察抓小偷的準確度」-- 警察說抓到的是小偷,結果真的就是小偷的比例。如果精確率很高,表示警察很少會冤枉好人。
容易混淆
精確率 vs 召回率
精確率像「抓對的比例」,強調不誤抓;召回率像「抓全的比例」,強調不漏抓。高精確率可能導致漏抓,高召回率可能導致誤抓,兩者常需權衡。
最關鍵的區別:一個看語言流暢度,一個是訓練時的損失。
精確率 vs 交叉熵
困惑度是從交叉熵轉出的指標,通常越低越好
最關鍵的區別:一個是可讀分數,一個是背後的損失。
實際案例
案例 1:垃圾信件過濾時,少誤殺正常信最重要
案例 2:醫療警報想減少假陽性,就常看精確率
演算法與應用
核心意思就是:預測為正的裡面,有多少是真的。
它常用來比較語言模型,而不是直接看分類正確率
值低不代表一定最適合產品,還要看實際任務和成本
情境判斷
Q2(判斷題): 困惑度低,就代表模型一定更好嗎?
看情況,通常代表語言模型更會接續文字,但還要看任務目標和成本
iPAS 考題
出題方向: 精確率 常考概念、應用場景和與相近術語的差別。
Q:如果題目問你「哪個敘述最符合 精確率?」要先看什麼?
先看它是在解決「預測為正的裡面,有多少是真的」這件事,還是只是描述相似的工具或流程。
常見問題
準確率 (Accuracy) 衡量的是模型整體預測的正確率,包括正例和負例,公式為 (TP+TN)/(TP+TN+FP+FN)。 而精確率只關注模型預測為正例的樣本中,有多少是真正正例,公式為 TP/(TP+FP)。 準確率適用於正負樣本比例均衡的情況,而精確率更適用於樣本不均衡,且關注正例預測準確性的情況。
精確率為 0 代表模型所有預測為正例的樣本,實際上都是假正例。 也就是說,模型完全沒有能力正確地預測正例。 在實際應用中,這通常意味著模型存在嚴重的問題,例如訓練資料不足、特徵選擇不當或演算法選擇錯誤,需要重新檢視和調整模型。
提升精確率可以透過多種方式,例如:增加訓練資料量、優化特徵工程、調整模型參數、使用更適合的演算法,以及調整分類閾值等。 此外,還可以嘗試使用集成學習方法,例如 Bagging 或 Boosting,將多個模型的預測結果進行整合,以提高模型的整體效能和精確率。
兩者通常此消彼長。提高分類閾值會讓模型只在很有把握時才判為正類,精確率上升但召回率下降,降低閾值則相反。誤報代價高時(例如垃圾信誤擋正常信)重精確率,漏抓代價高時(例如疾病篩檢)重召回率,想兼顧可以看 F1 分數或精確率與召回率曲線。
不是。分類評估裡的 precision 譯作精確率,也有人譯作查準率,指預測為正的樣本中真正為正的比例。測量領域的 precision 譯作精密度,指重複測量的結果彼此有多接近,和準確度(accuracy)相對,兩者意思不同。
範例考題
某製造業公司建置機器學習模型,用於預測產品是否為瑕疵品。實際生產資料中,瑕疵品比例極低,大多數樣本皆為正常品。模型測試時發現,即使模型多數預測為正常品,仍可獲得很高的整體準確率。在此情境下,若希望更有效衡量模型對瑕疵品的辨識能力,下列何者較適合作為主要評估指標?
- AF1-score
- B均方誤差(Root Mean Squared Error, RMSE)
- C準確率(Accuracy)
- D判定係數(R², Coefficient of Determination)
正解是 A:F1-score
解析:在類別不平衡的場景中,準確率會被多數類別主導而失去鑑別力。F1-score 結合了精準率(Precision)和召回率(Recall),能更有效地評估模型對少數類別(瑕疵品)的辨識能力。
出現在這些考古題
官方公告試題的逐題解析裡,有 6 題把精確率列為延伸術語,這裡列出 5 題。
立即測驗
想測試你對 精確率 的掌握程度?用考古題作答
相關術語
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