精確率 是什麼？

Precision — 精確率 的完整解釋

精確率是模型預測為正例中真正為正例的比例，反映預測結果的準確度，與召回率形成取捨

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。

記住這句就好

預測為正的裡面，有多少是真的

實際案例

案例 1：垃圾信件過濾時，少誤殺正常信最重要

這種情況下，精確率 會幫你把原本手工或靠直覺的步驟變得更穩。

案例 2：醫療警報想減少假陽性，就常看精確率

另一個常見場景也能看出 精確率 的價值，因為它處理的是同一種核心問題。

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

Q1（直覺題）： 垃圾信件過濾時，少誤殺正常信最重要 這種情況，會先想到 精確率 嗎？

→ 會，因為它正好在處理這件事的核心問題，只是還要看資料乾不乾淨、流程穩不穩。

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

精確率 在 iPAS 考試中的重點

根據歷年統計，精確率 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：分類模型評估指標的數學定義（40%）、精確率的計算方式與應用（35%）、與召回率的權衡分析（25%）。

常見問題

精確率和準確率有什麼不同？

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 代表什麼意思？

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。

如何提升模型的精確率？

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。