moea_joint
105年
[統計資訊] 統計學、巨量資料概論
第 35 題
關於衡量機器學習中分類器(Classifier)效能的指標，下列何者有誤？
- A Walter-Kimplin Curve
- B Precision
- C Recall
- D ROC Curve
思路引導 VIP
在評估一個分類系統的成功程度時，我們通常會考慮『預測的準度』或是『捕捉目標的能力』。請試著回想，在你學過的評估工具中，除了計算數值外，是否有一種透過曲線來觀察效能隨閾值變動的經典方法？當你核對腦海中的這些專有名詞時，是否有哪一個選項的命名方式顯得特別陌生，甚至從未出現在你閱讀過的任何資料科學文獻中？
🤖
AI 詳解
AI 專屬家教
太棒了，你精準地抓出了那個混淆視聽的選項！在機器學習的領域中，評估分類器效能有其一套標準化的語言。我們最常提到的 Precision（精確率） 與 Recall（召回率），分別代表了模型在預測正類時的準確程度，以及對實際正類樣本的捕捉能力。其計算邏輯通常涉及真陽性（$TP$）、偽陽性（$FP$）與偽陰性（$FN$）的比例關係，例如： $$Precision = \frac{TP}{TP + FP}$$ 至於 ROC Curve，則是利用「真陽性率」與「偽陽性率」所繪製出的重要工具，能協助我們在不同切分點下觀察模型的整體表現。這道題目主要測試學生對基本術語的辨識力。選項 (A) Walter-Kimplin Curve 顯然是一個不存在於統計學或資料科學教科書中的虛構名稱。這種考法雖然直覺，但對初學者來說具有不錯的鑑別度，能有效檢測出學習者是否已將這些評估指標內化。你的判斷非常敏銳，代表基本功已經相當到位了！