AI時代系列(3) 機器學習三部曲: 🔹 第一部：《機器學習 —— AI 智慧的啟航》
40/100 第四週：監督學習（分類）
40. 評估分類模型（Precision, Recall, F1-score, ROC-AUC） 🎯 不同的指標適用於不同場景，精準度 vs 召回率該怎麼選？
本章介紹了機器學習中最常用的分類方法，從基礎到進階，涵蓋以下重點：
節次 主題 重點摘要
4.1 二元 vs 多類別分類 ⚖ 分類問題分為「是/否」二元分類與「紅/藍/綠」多類別分類，策略不同。
4.2 邏輯回歸（Logistic Regression） 📉 本質是分類演算法，適合二元分類，預測機率並轉為 0 或 1。
4.3 K 近鄰分類器（KNN） 🏃♂️ 沒有模型訓練過程，直接依照最近鄰居決定類別，適合小型數據。
4.4 支援向量機（SVM） 🏗 找出最佳超平面分隔不同類別，特別適合高維度資料。
4.5 決策樹與隨機森林 🌳 決策樹邏輯清楚、易理解，隨機森林結合多棵樹降低過擬合。
4.6 梯度提升機（XGBoost, LightGBM） 🚀 集成學習王者，專為比賽與實務調校而生，速度快且準確。
4.7 貝葉斯分類器（Naive Bayes） 🎲 基於機率運算，適合文本分類、垃圾郵件過濾、情感分析。
4.8 神經網路分類（ANN / MLP） 🧠 適合學習複雜非線性模式，應用於圖像、語音、文本。
4.9 多類別分類與 One-vs-All 技術 🎨 將多類別問題拆解為多個二元分類，簡單實用，通用性強。
________________________________________
🎯 分類模型評估指標（重點整理）
分類問題不是只看「準確率（Accuracy）」！以下指標幫你判斷模型好壞：
四個常見的分類模型評估指標，各有適用場景：
Precision（精準率） 衡量模型預測為正的案例中，有多少是真正的正例，適合強調「錯殺不漏判」的情境，如詐騙偵測；
Recall（召回率） 則關注所有實際為正的案例中，有多少被成功辨識出來，適用於「寧可多抓也不能漏抓」的任務，如癌症篩檢；
F1-score 是精準率與召回率的加權平均，用於兩者都同樣重要時的整體判斷；
而 ROC-AUC 是一個綜合性指標，分數越接近 1 表示模型越優秀，特別適合處理樣本不平衡的資料集，例如詐騙或罕見疾病檢測。這些指標能協助依任務需求選擇最合適的評估標準。
________________________________________
📌 典型測驗題範例（附答案解析）
________________________________________
Q1：以下哪一個算法最適合用來處理高維度特徵的分類問題？
A. KNN
B. 決策樹
C. 支援向量機（SVM）
D. 貝葉斯分類器
✅ 答案：C
解析：SVM 適合高維度資料，能找到最佳超平面分隔特徵。
________________________________________
Q2：如果一個應用需要「不要錯過任何一個正例」（如癌症篩檢），應該優先考慮哪個指標？
A. Precision
B. Recall
C. Accuracy
D. F1-score
✅ 答案：B
解析：召回率（Recall）能最大化找出所有正例，避免漏掉關鍵案例。
________________________________________
Q3：在處理多類別問題時，One-vs-All 技術的概念是？
A. 把所有類別一起預測
B. 針對每一類，將其視為正類，其他為負類
C. 任意兩類配對，進行多次二元分類
D. 用神經網路直接解決
✅ 答案：B
解析：One-vs-All 就是針對每一類建立一個二元分類器。
________________________________________
Q4：以下哪一個方法不屬於集成學習？
A. 隨機森林
B. XGBoost
C. 貝葉斯分類器
D. LightGBM
✅ 答案：C
解析：Naive Bayes 屬於機率分類器，不是集成學習方法。
________________________________________
Q5：F1-score 高，代表模型怎樣？
A. 預測速度快
B. 訓練時間長
C. 平衡了 Precision 和 Recall
D. 適合回歸問題
✅ 答案：C
解析：F1-score 反映了模型在精準與召回間取得良好平衡。
________________________________________
✅ 小結重點（一口氣背下來）
分類模型 : 關鍵特色與適用場景
邏輯回歸 : 二分類經典，速度快，解釋性強
KNN : 小型數據OK，無需訓練，考鄰居
SVM : 高維資料利器，支援非線性核
決策樹 / 森林 : 易解釋，森林減少過擬合
XGBoost / LightGBM : 比賽神器，大數據強者
貝葉斯 : 文本專家，機率模型快準
ANN / MLP : 學複雜模式，圖像、語音皆可
One-vs-All : 多類問題拆解好用，支援多模型
________________________________________
✅ 最後提醒：模型選擇時，指標怎麼選？
• 精準率高（Precision）重要時 → 詐騙偵測、信用卡風控
• 召回率高（Recall）重要時 → 醫療篩檢、異常偵測
• F1-score 高才安心 → 當 precision 和 recall 都不能輸
• ROC-AUC 高才穩 → 適合類別極不平衡情境
________________________________________
💡 完整收尾金句：
「分類不只看準確率，根據應用場景選對指標，才是真高手！」
