---
title: "不確定性抽樣（Uncertainty Sampling）"
slug: uncertainty-sampling
language: zh-TW
source: https://aiterms.tw/terms/uncertainty-sampling
updated_at: 2026-06-23
tags: [機器學習, AI基礎, 人機互動]
ipas_term: false
---

# 不確定性抽樣（Uncertainty Sampling）

在主動學習中選擇模型預測信心度最低的樣本進行標籤，以優先改進模型的薄弱決策邊界。

## 完整說明

不確定性抽樣是主動學習最直接的樣本選擇策略。系統評估每筆未標籤樣本的預測不確定性（通常用機率分佈的熵或預測邊際值衡量），優先選擇不確定性最高的樣本請人類標籤。這種策略的直觀邏輯是，模型「最不確定」的樣本往往落在決策邊界，標籤這些樣本對改進邊界定位效果最好。

## 常見問題

### 如何判斷模型的不確定性估計是否可靠？

需要驗證模型的校準程度。一個校準良好的分類模型應該滿足：當模型輸出 90% 概率時，該預測實際正確率約 90%；輸出 50% 時，實際正確率約 50%。可以用可靠性圖（reliability diagram）視覺化評估，或計算 expected calibration error（ECE）和 maximum calibration error（MCE）。若 ECE > 0.15，模型校準效果不佳，直接用其輸出概率估計不確定性會導致抽樣偏差。此時應考慮溫度調整、Platt scaling 或 isotonic regression 等校準技術。

### 多分類和二分類問題的不確定性抽樣有何區別？

二分類可用邊際值（最高概率減次高概率）直接衡量邊界到決策線的距離，直觀有效。多分類時，邊際值可能不足以反映類別間的複雜決策邊界。此時熵度量通常更好，因為它考慮所有類別的概率分佈。例如，3 分類問題中 (90%, 5%, 5%) 的邊際值相同但不確定性小於 (33%, 33%, 33%)。另外，多分類時應特別注意類別不平衡問題，不確定性抽樣可能過度選擇少數類，需要加上多樣性約束。

### 不確定性抽樣遇到標籤預算小但資料量大的情況如何處理？

面對百萬級未標籤資料但只有千級標籤預算的場景，計算所有樣本的不確定性也是瓶頸。實務做法是分階段抽樣：第一階段用快速粗篩（如 k-means 抽樣或預訓練模型特徵距離）篩出 10-20 倍預算大小的候選池，第二階段在這個候選池內計算精確不確定性並排序。或者採用動態抽樣，每輪用當前模型計算不確定性時，只評估最近新增的未標籤樣本和邊界附近樣本，節省計算。大規模場景下，粗篩 + 精篩的二階段方法通常是成本與效果的最佳平衡。

---

來源：https://aiterms.tw/terms/uncertainty-sampling
快查頁：https://aiterms.tw/terms/uncertainty-sampling
最後更新：2026/06/23
深度解說：https://aiterms.tw/learning/what-is-uncertainty-sampling