24. 一家智慧工廠使用機器學習分類模型預測關鍵設備是否會異常停機。完成模型訓練後，團隊希望全面評估模型在不同面向的表現。請問下列哪項指標最適合用來衡量模型在偵測異常停機時的「漏報率」(即未能正確偵測出異常事件的比例)？
(A) 準確率(Accuracy)，即模型整體預測正確的比例
(B) 召回率(Recall)，即模型能正確找出異常停機的比例
(C) F1 分數(F1 Score)，準確率與召回率的調和平均數
(D) 假陽性率(False Positive Rate)，即將正常事件誤判為異常的比例

1. 核心考點：混淆矩陣與召回率 (Recall)

在異常偵測（如設備停機、病理診斷、盜刷偵測）的場景中，我們最怕的是「發生了異常卻沒抓到」，這在專業術語中稱為 「漏報」 或 「偽陰性 (False Negative, FN)」。

2. 逐項解析

• ✅ (B) 召回率 (Recall)：

  • 原因：召回率的定義是「在所有真正的異常事件中，模型成功抓到了多少比例」。其公式為：

    $$\text{Recall} = \frac{TP}{TP + FN}$$

  • 關聯性：題目提到的「漏報率」公式為 $FN / (TP + FN)$，正好就是 $1 - \text{Recall}$。因此，若要衡量漏報的情況，召回率是最直接的指標。召回率越高，漏報率就越低。

• ❌ (A) 準確率 (Accuracy)：

  • 原因：在異常偵測中，正常事件通常佔 99%，異常僅 1%。模型就算全部猜「正常」，準確率也能達到 99%，但它卻完全沒抓到任何異常。因此，準確率在類別不平衡的場景下極具誤導性。

• ❌ (C) F1 分數 (F1 Score)：

  • 原因：F1 分數是召回率與精確率（Precision）的調和平均數。它用於綜合評估模型性能。雖然它包含召回率，但若目的是針對「漏報」進行專門衡量，召回率比 F1 更精確。

• ❌ (D) 假陽性率 (False Positive Rate, FPR)：

  • 原因：這衡量的是「誤報率」，即把正常事件誤判為異常的比例。這對應的是機器的「虛驚一場」，而不是「漏報」。

? 重點整理：考試快速判斷法

在 iPAS 考試中，看到應用場景要選指標時，請記住這套邏輯：

• 怕漏報（寧可錯殺不可放過） $\rightarrow$ 看 召回率 (Recall)。例如：癌症檢測、設備停機。

• 怕誤報（寧可放過不可錯殺） $\rightarrow$ 看 精確率 (Precision)。例如：垃圾郵件攔截、死刑判決。

• 要兩者平衡 $\rightarrow$ 看 F1 Score。