偏差 是什麼？

Bias：偏差 的完整解釋

偏差是模型對特定族群或特徵產生系統性錯誤傾向，源自訓練資料不平衡或演算法設計缺陷

容易混淆

偏差 vs 方差？ 偏差：系統性地往某方向錯 方差：對不同資料很不穩定 最關鍵的區別：偏差看方向一致，方差看穩不穩

偏差 vs 誤差？ 偏差：有時也會指公平性偏見 誤差：泛指預測和真值的差距 最關鍵的區別：在模型評估和公平議題裡，偏差的語意不完全一樣

偏差 vs 過擬合？ 偏差：常和欠擬合有關 過擬合：模型把訓練資料記太熟 最關鍵的區別：偏差高常是學不夠，過擬合則是記太多

記住這句就好

每次都往同一邊錯，多半就是偏差高

實際案例

貸款審核 模型對某些族群總是偏嚴格，這可能是資料分布或特徵設計造成的偏差

影像辨識 如果訓練資料幾乎都來自白天，模型一到夜間就一直判錯，也是一種系統性偏差

三種 bias 不要搞混

Bias 是 AI 領域最容易誤解的字之一，因為它在三個不同層次上各有一個意思，中文翻譯也不一樣。

第一種，統計偏差。 出現在偏差與變異數權衡（bias-variance tradeoff）裡。偏差高代表模型太簡單、抓不住資料的真實規律，也就是欠擬合。用線性模型去配一條明顯彎曲的關係，就是典型的高偏差。

第二種，演算法偏見。 這是資料或流程造成的不公平。招募模型因為歷史資料裡某性別錄取率較低，就學會壓低該性別的分數，這叫偏見，不是統計上的偏差。處理方式也完全不同，前者要換模型，後者要檢查資料來源、標註流程與評估切面。

第三種，偏置項。 純粹是數學上的一個可學習常數，讓函數不必通過原點。它跟前兩種完全沒有關係，只是剛好同名。

讀文獻或跟人討論時，先確認講的是哪一種。這三個東西的成因、量測方式與解法沒有一項相同。

偏差 在 iPAS 考試中的重點

根據歷年統計，偏差 相關題目 平均佔 AI 技術類考題 2%， 屬於未分類考範圍。

常見出題方向：模型過擬合與欠擬合（40%）、統計學習理論基礎（35%）、模型誤差分析與改善（25%）。

常見問題

偏差一定是壞事嗎？

不一定。某些情境下適度偏差能換來更穩定的模型。

要怎麼降低偏差？

通常要從更多資料、更好的特徵或更有表達力的模型下手。

公平性偏差和統計偏差一樣嗎？

不完全一樣，前者更關心不同群體是否受到不公正對待。