iPAS 考題解析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？

解析

正確答案：A. F1-score

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。

每個選項為什麼對或錯

• A F1-score 正解

  F1-score 綜合精準率和召回率，適合評估不平衡資料中少數類別的辨識能力（正確答案）。

• B 均方誤差（Root Mean Squared Error, RMSE） 錯誤選項

  RMSE 是迴歸問題的評估指標，不適合分類問題。

• C 準確率（Accuracy） 錯誤選項

  準確率在類別不平衡時會被多數類別主導，無法有效衡量瑕疵品辨識能力。

• D 判定係數（R², Coefficient of Determination） 錯誤選項

  判定係數是迴歸問題的評估指標，不適合分類問題。

答案、題目或解析有問題？回報這題

題目 © 經濟部產業發展署，AITerms.tw 僅作教學解析使用，本站解析以 CC BY-NC-SA 4.0 授權。