評估指標

KNN 是投票型分類器,評估它就像驗票:用準確率看整體答對多少,用混淆矩陣看「誰被誤認成誰」。

核心觀念

準確率(Accuracy)= 全部預測中答對的比例,衡量整體分類正確率。混淆矩陣(Confusion Matrix)把結果攤成「實際類別 × 預測類別」的對照格,TP、FP、FN、TN 四格是所有分類指標的來源,能把各類別的誤判情況一眼可視化。

白話理解

健保醫療影像分類,KNN 靠 K 個鄰居投票。準確率 95% 看似漂亮,混淆矩陣卻可能揭露「惡性被誤判成良性」集中在某一格 — 這種錯最致命,得再用精確率(Precision)與召回率(Recall)拆開看。

評估重點

• 準確率適合類別均衡的資料;不平衡時會騙人
• 混淆矩陣揭露誤判方向:哪一類常被認成哪一類
• 精確率 = 說是陽性中真的陽性的比例;召回率 = 真陽性中被抓到的比例
• K 值一改指標就變,常搭配交叉驗證選 K
• KNN 是距離計算型模型,特徵未縮放時距離失真,指標跟著失真
• 多類別任務中,混淆矩陣是唯一能同時看清所有類別誤判分布的工具,調 K 之前先看它

🎯 口訣:準確率看總分,混淆矩陣看錯在哪一格。

iPAS 考點

給混淆矩陣四格數字算準確率、精確率、召回率是經典題型;另一類考「類別不平衡該看什麼」— 答案方向是混淆矩陣加精確率與召回率,陷阱選項是「準確率高就代表模型好」。