歡迎來到模型準確度的世界！

你好！無論你是數學奇才，還是對預測分析感到有點頭痛的人，這裡都是你的最佳學習基地。在本章中，我們將探討在高階預測分析模型的背景下，模型準確度（Model Accuracy）的重要性。

你可以把建立模型想像成馬拉松訓練。你總不會在不檢查配速或距離的情況下就貿然起跑吧？準確度就是我們的「GPS」——它告訴我們模型是否真的發揮了作用（預測未來），還是只是在胡亂猜測。讀完這頁後，你將會明白我們如何衡量成功，以及為什麼「追求完美」並不總是我們的最終目標。

1. 為什麼準確度很重要？

在精算學和預測模型的世界裡，準確度不僅僅是為了在考試中取得高分，它代表的是可靠性（Reliability）。如果保險公司使用一個不準確的模型來預測索償情況，該公司可能會因收費過低而蒙受損失，或因收費過高而流失客戶。

你知道嗎？ 對於大型金融機構而言，模型準確度即使只提升 1%，也能節省數百萬美元的成本！

目標： 我們希望預測值 (\(\hat{y}\)) 與實際觀測值 (\(y\)) 盡可能接近。

2. 衡量迴歸模型的準確度

當我們預測連續數值（例如醫療索償費用）時，我們會使用特定的指標來衡量預測偏差有多大。別擔心這些公式看起來很嚇人；它們其實只是衡量現實與我們猜測之間「距離」的不同方法而已。

均方誤差 (Mean Squared Error, MSE)

MSE 是最常見的指標。我們計算實際值與預測值之間的差額，將其平方（以確保數值為正），然後計算平均值。

\(MSE = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2\)

為什麼要平方？ 對誤差進行平方有兩個好處：一是確保所有誤差皆為正數，二是它會比小誤差更嚴厲地懲罰大誤差。如果你預測偏差了 10，懲罰值就是 100；如果你偏差了 100，懲罰值則會高達 10,000！

平均絕對誤差 (Mean Absolute Error, MAE)

如果你不想對大錯誤施加過重的懲罰，可以使用 MAE。這只是誤差絕對值的平均數。

\(MAE = \frac{1}{n} \sum_{i=1}^{n} |y_i - \hat{y}_i|\)

類比： 想像你在猜一個行李箱的重量。MSE 就像是一位嚴格的評審，你猜得越遠，他叫得越大聲；而 MAE 則像是一位冷靜的朋友，只會告訴你平均偏差了多少公斤。

重點複習：
• MSE： 誤差平方的平均值。對離群值（Outliers）敏感。
• MAE： 誤差絕對值的平均值。對離群值較具穩健性（Robust）。

3. 衡量分類模型的準確度

當我們預測的是類別（例如：「這位保單持有人會否取消保單：是或否？」）時，我們會使用不同的工具。最重要的工具就是混淆矩陣 (Confusion Matrix)。

混淆矩陣

這是一個表格，用來顯示模型在哪些地方做對了，在哪些地方「混淆」了。

• 真陽性 (True Positive, TP)： 你預測「是」，結果確實為「是」。
• 真陰性 (True Negative, TN)： 你預測「否」，結果確實為「否」。
• 偽陽性 (False Positive, FP)： 你預測「是」，但結果是「否」。（誤報）
• 偽陰性 (False Negative, FN)： 你預測「否」，但結果是「是」。（錯失目標）

關鍵分類指標

1. 準確率 (Accuracy Rate)： 所有猜測中正確的百分比。
\( \text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN} \)

2. 靈敏度 (Sensitivity/Recall)： 在所有「實際為是」的人當中，我們捕捉到了多少？

3. 特異度 (Specificity)： 在所有「實際為否」的人當中，我們正確識別了多少？

常見錯誤： 不要只依賴準確率！如果 99% 的人續保，而只有 1% 的人退保，那麼一個聲稱「沒人會退保」的模型準確度高達 99%，但它毫無用處，因為它完全遺漏了那些真正退保的人。

4. 偉大的平衡：偏差與變異 (Bias vs. Variance)

這是本節最「進階」的部分，但我們可以簡單拆解。準確度是兩種誤差之間的取捨：偏差 (Bias) 和 變異 (Variance)。

什麼是偏差？（欠擬合 Underfitter）

偏差發生在模型過於簡單時。它因為「偏執」於簡單的解釋而忽略了數據中的規律。
類比： 試圖用三個字概括一部複雜電影的劇情，你肯定會錯過所有重要的情節！

什麼是變異？（過擬合 Overfitter）

變異發生在模型過於複雜時。它過度關注訓練數據中的「雜訊」或隨機巧合。
類比： 把練習題的答案背得滾瓜爛熟，卻沒有學會背後的概念。你在練習測驗中會表現完美，但到了正式考試就會不及格！

甜蜜點 (Sweet Spot)

隨著模型變得複雜，偏差會減少（這是好事！），但變異會增加（這是壞事！）。一個好的預測模型，其目標是找到總誤差 (Total Error) 最低的那一點，這就是所謂的「甜蜜點」。

關鍵啟示： 如果模型無法在新的、未見過的數據上維持準確度，那麼它在訓練數據上的高準確度毫無意義。

5. 訓練與測試的準確度

為了確保我們的準確度是真實的，而不僅僅是「死記硬背」，我們會將數據拆分：

1. 訓練集 (Training Set)： 模型從中學習的數據。
2. 測試集 (Test/Validation Set)： 模型從未見過的「期末考」數據。

步驟化驗證：
1. 使用訓練集訓練模型。
2. 計算訓練集上的準確度。
3. 在測試集上測試模型。
4. 比較兩者！如果訓練準確度為 95%，而測試準確度只有 60%，那你就是過擬合 (Overfitted) 了（高變異）。

記憶口訣： 「如果在訓練數據上表現得好得離譜，那多半是假的！」

總結與結語

準確度不是單一數字，而是從多個維度觀察我們的預測如何對應現實。請記住：

• 對於數值，使用 MSE 或 MAE。
• 對於類別，使用混淆矩陣（準確率、靈敏度、特異度）。
• 小心偏差與變異的取捨 (Bias-Variance trade-off)。
• 永遠要在未見過的數據上檢查準確度。

別擔心現在覺得這些公式很沉重。隨著你在這門課程中將它們應用到實際數據上，它們會變得越來越直觀。你一定做得到的！