偏差 是什麼？

Bias — 偏差 的完整解釋

偏差是模型對特定族群或特徵產生系統性錯誤傾向，源自訓練資料不平衡或演算法設計缺陷

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

記住這句就好

每次都往同一邊錯，多半就是偏差高

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

偏差 在 iPAS 考試中的重點

根據歷年統計，偏差 相關題目 平均佔 AI 技術類考題 2%， 屬於未分類考範圍。

常見出題方向：模型過擬合與欠擬合（40%）、統計學習理論基礎（35%）、模型誤差分析與改善（25%）。

常見問題

偏差一定是壞事嗎？

不一定。某些情境下適度偏差能換來更穩定的模型。

要怎麼降低偏差？

通常要從更多資料、更好的特徵或更有表達力的模型下手。

公平性偏差和統計偏差一樣嗎？

不完全一樣，前者更關心不同群體是否受到不公正對待。