請瀏覽下列選項。
假設有一個分類模型將電子郵件分為兩個類別：
「垃圾內容」或「非垃圾郵件」如果提高分類門檻
會發生什麼事？
大幅增加。
提高分類門檻通常可提高精確度
但無法保證精確度
不一定能增加
我們會提高門檻
可能會增加。
一般來說，提高分類門檻可減少誤判
因此可以提高精確度
可能會降低。
一般來說，提高分類門檻可減少誤判
因此可以提高精確度
明顯降低。
一般來說，提高分類門檻可減少誤判
因此可以提高精確度
請瀏覽下列選項。
假設有一個分類模型將電子郵件分為兩個類別：
「垃圾內容」或「非垃圾郵件」如果提高分類門檻
好記？
而且一律增加。
提高分類門檻會導致以下兩者：
- 真陽性的數量會減少 保持一致。
- 偽陰性的數量 保持一致。
一律縮小或保持不變。
提高分類門檻會導致
真正陽性會減少或保持不變
偽陰性數量增加或保持不變因此，
喚回度會維持不變或減少
始終保持不變。
提高分類門檻會導致
真正陽性會減少或保持不變
偽陰性數量增加或保持不變因此，
喚回度會維持不變或減少
請瀏覽下列選項。
假設有兩個模型：A 和 B，每個模型都評估相同的資料集。
以下敘述何者正確？
如果模型 A 的精確度比模型 B 來得高
是較理想的模型 A
儘管精確度較佳，但費用可能會花上更多
所以能大幅降低喚回度一般來說，我們需要瞭解
以及精確度和喚回度
或是 AUC 等摘要指標
這部分我們稍後會再說明
如果模型 A 的喚回度高於模型 B，
雖然記憶力佳，但可能是發生在
但精確度可能會大幅降低一般而言
評估精確度與喚回度
或是摘要指標
這部分我們接下來會談到 AUC
如果模型 A 的精確度和喚回度比模型 B 更好
那麼 A 模型或許就比較好
一般來說，如果模型在 10 至 10 秒
而精確度和喚回度可能是更好的模型顯然
我們需要確實在時段比較
實用的精確度和喚回度
才是有意義的舉例來說，假設我們的垃圾內容偵測模型
精確度至少要達 90% 才有意義
不必要的假警報。在本例中
其中一個模型的 {20% 精確度，99% 喚回度}
{15% 精確度、98% 喚回度} 不是特別指示，
都不符合 90% 精確度的要求但請注意
注意：採用這個架構時，可考慮比較不同模式
您可在這裡指定模型要套用的評估指標
例如準確率、精確度和喚回度