基準模型

在祭出深度學習之前,先讓最笨的模型上場考一次 — 基準模型就是那條「不能輸給它」的及格線。

核心觀念

基準模型(Baseline Model)是在複雜調參之前,先用最簡單的方法確立的效能底線:例如 Dummy Classifier(一律猜多數類)或簡單邏輯斯迴歸(Logistic Regression)。後續模型必須明顯超越基準,投入的複雜度才有意義。

白話理解

產線瑕疵率 2% 時,一個「全部猜正常」的 Dummy Classifier 準確率就有 98% — 你的深度模型若也是 98%,等於什麼都沒學到。基準模型的價值,就是戳破這種準確率假象。

為什麼一定要先建

• 確立及格線:之後每個模型都跟它比,贏多少、值不值得,一目瞭然
• 戳破指標假象:不平衡資料下 Dummy 也能拿高準確率,逼你改看 F1、Recall
• 快又便宜:幾分鐘就有結果,順便提早暴露資料與標籤的問題
• 支撐成本效益判斷:複雜模型只贏基準一點點時,多出的維運成本可能不值得

🎯 口訣:先立靶,再射箭;贏不過「猜大盤」的模型,就別談上線。

iPAS 考點

考觀念題:「為何在複雜模型之前先建立簡單基準?」答案方向:確立效能底線、驗證問題可行性、避免過度工程。情境陷阱:「模型準確率 95% 所以表現很好」— 若多數類本來就占 95%,這成績與 Dummy 無異;正解是與基準模型比較,並改用不平衡友善的指標。