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。
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。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
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
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
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。
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？
- A. F1-score ✓ 正確答案
- B. 均方誤差（Root Mean Squared Error, RMSE）
- C. 準確率（Accuracy）
- D. 判定係數（R², Coefficient of Determination）