準確率 是什麼？

Accuracy — 準確率 的完整解釋

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

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」。

記住這句就好

猜對的除以全部，但類別不平衡時會騙人。

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

混淆矩陣與準確率的關係

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

準確率 在 iPAS 考試中的重點

根據歷年統計，準確率 相關題目 平均佔 AI 技術類考題 1%， 屬於未分類考範圍。

常見出題方向：模型評估指標與選擇（40%）、分類模型效能分析（35%）、評估指標的限制與應用（25%）。

常見問題

準確率多高才算好？

沒有絕對標準，取決於任務和基準線。如果隨機猜的準確率是 50%，那 70% 就有意義。如果資料不平衡導致隨機猜也有 95%，那 96% 可能毫無價值。永遠要跟基準線比。

準確率和錯誤率是什麼關係？

錯誤率 = 1 - 準確率。準確率 92% 就是錯誤率 8%。兩者是互補的。

深度學習模型的準確率一定比傳統方法高嗎？

不一定。在資料量小或特徵明確的任務上，決策樹、邏輯回歸等傳統方法可能表現更好。深度學習的優勢在大量資料和複雜模式的場景。