---
title: "精確率（Precision）"
slug: precision
language: zh-TW
source: https://aiterms.tw/terms/precision
updated_at: 2026-04-29
tags: [模型評估, 機器學習, AI基礎, 統計方法]
ipas_term: true
---

# 精確率（Precision）

> **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
> **Q：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。
>
> **Q：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。
>
> **Q：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。

### 相關術語
> - **召回率**：看完這個再讀它，會更容易把概念串起來
> - **F1 分數**：看完這個再讀它，會更容易把概念串起來
> - **準確率**：看完這個再讀它，會更容易把概念串起來
> - **ROC 曲線下面積**：看完這個再讀它，會更容易把概念串起來
> - **偏差**：看完這個再讀它，會更容易把概念串起來

---

來源：https://aiterms.tw/terms/precision
快查頁：https://aiterms.tw/terms/precision
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-precision