從最難懂的痛點開始
我是「iPAS AI 自學路」的創辦人。身為一位非資訊本科系的 40 歲中年上班族，我深知在零碎時間內，要理解iPAS證照那些艱澀的統計名詞有多痛苦。因此，我決定從我最難懂的主題——混淆矩陣和精確率/召回率開始，用最白話的方式為你「翻譯」AI 決策的核心。
我們就用大家最熟悉的COVID-19快篩，來當作我們評估的AI模型。
一、 混淆矩陣：快篩結果的四種情境
我們不能只看快篩的「總分」（準確度），必須知道它「錯在哪裡」。混淆矩陣（Confusion Matrix）就是這份篩檢結果的診斷報告，將判斷結果分成兩大類共四種情境：
✅ 正確的結果（快篩判斷正確！）
- TP (真陽性)： 抓對了！（神準）實際已感染，快篩結果為陽性。
- TN (真陰性)： 排除了！（安全）實際未感染，快篩結果為陰性。
❌ 錯誤的結果（快篩搞混了！）
- FP (偽陽性)： 誤殺了！（虛驚一場）實際未感染，但快篩卻呈現陽性。後果是造成不必要的隔離、PCR資源浪費，這就是「誤判成本」。
- FN (偽陰性)： 漏掉了！（潛在危機）實際已感染，但快篩卻呈現陰性。嚴重後果： 讓感染者以為安全而繼續趴趴走，造成疫情擴散，這就是「錯失成本」。
二、 精確率 vs. 召回率：篩檢策略的兩難
身為 AI 應用規劃師，您必須根據業務目標（例如防疫策略），決定您的篩檢模型（AI）應該「追求精準」還是「追求全面」：
1. 精確率 (Precision)：追求品質，避免誤殺 (FP)
- 白話問句：「在所有被快篩喊『陽性』的人中，到底有多少比例是真的感染者？」
- 應用場景：核酸檢測（PCR）。由於 PCR 結果會導致嚴格的隔離與治療，我們必須確保被判定為陽性的人是極度精準的，寧可犧牲一些速度，也要降低誤判。
2. 召回率 (Recall)：追求全面，避免漏放 (FN)
- 白話問句：「在所有『真正已感染』的人中，快篩成功找出了多少比例？」
- 應用場景：大規模快篩普篩。在疫情爆發初期，目標是儘快找出所有潛在感染者，避免任何遺漏。這時會優先追求高召回率，寧可多抓一些偽陽性（FP），也不能放過任何一個已感染者（FN）。
記住，這兩者是蹺蹺板的兩端，您的防疫或商業目標，決定了您該優先追求哪一個指標。
下集預告：高準確率背後的陷阱！
當資料極度不平衡時，例如全國 99.9% 的人都是陰性，此時一個「永遠猜陰性」的模型也能達到 99.9% 的準確度，但它根本抓不到任何病人！
在我的Youtube頻道[統計分析2] 讓人混淆的混淆矩陣、精確率與召回率這個影片中，將揭露 「準確度悖論」，並介紹更可靠的 PR 曲線，帶你看清如何看清AI的真正實力。
歡迎訂閱我的YouTube頻道與方格子，用最高效的方式一起學習！
