iPAS AI 初級・漫畫式小白教材

MSE vs F1 Score

均方誤差（Mean Squared Error）× F1 分數｜「猜數字」vs「判斷類別」

🎬 第一幕：房仲 AI 要預測「房價」！

🏠 房屋資料

🏠📐💰

AI 看：

坪數、屋齡、樓層、地段……

最後要回答：

「這間房大概賣多少錢？」

🤖 AI 預測

🤖💰

實際成交價：

1,200 萬

AI 預測：

1,150 萬

📏 怎麼評分？

📏❓

不是問「分對還是分錯」。

而是問：

「預測價格到底差多少？」

👉 這時想到 MSE！

🧠 一句話先背起來

MSE＝「預測值跟真實值差多少？」

F1 Score＝「分類時，Precision 與 Recall 平衡得好不好？」

⭐ 最重要的第一關：MSE 用在回歸問題；F1 用在分類問題。

房價預測 → Regression → MSE 垃圾郵件判斷 → Classification → F1

📏 第二幕：MSE 是「量你猜錯多少」

🎯 真實值

💰1200

房子真正成交：

1,200 萬

🤖 預測值

🤖➡️💰1150

AI 猜：

1,150 萬

誤差＝50 萬。

📐 MSE

❌²📊

把每筆誤差：

① 平方 → ② 全部平均

MSE = 平均（預測值 − 真實值）²

💡 為什麼要平方？大的誤差會被放大，因此 MSE 對較大的預測錯誤特別敏感。

🎯 第三幕：MSE 是拿來評估「連續數值」

🏠 房價

1,200 萬 → 1,150 萬

預測的是一個連續數值。

→ 回歸（Regression）

可以使用 MSE 評估預測誤差。

🌡️ 溫度

實際 30°C → 預測 28°C

也是連續數值。

→ 回歸（Regression）

MSE 同樣可以用來衡量誤差。

🎬 第四幕：F1 Score 換場——現在不是猜房價了！

📧 垃圾郵件

📧🚨

AI 要判斷：

「這封 Email 是垃圾郵件嗎？」

答案變成：

是 / 否

⚠️ 分類錯誤

❌📧

可能：

把正常信判成垃圾信

漏掉真正的垃圾信

⚖️ F1 Score

⚖️🎯

F1 同時考慮：

Precision 精確率

＋

Recall 召回率

用調和平均取得平衡。

🥊 第五幕：Precision vs Recall 到底差在哪？

🎯 Precision 精確率

「你抓出來的，有多少是真的？」

例如 AI 說「這 100 封是垃圾信」，其中真的有 90 封。

那 Precision 就很高。

重點：不要亂抓。

🔎 Recall 召回率

「真正的目標，你抓到了多少？」

假設總共有 100 封垃圾信，AI 找到 90 封。

那 Recall 就很高。

重點：不要漏掉。

F1 Score＝Precision 與 Recall 的調和平均

🧠 第六幕：為什麼 F1 不適合拿來評估房價預測？

🏠 房價問題

🏠💰

AI 預測：

「1,150 萬」

真實：

「1,200 萬」

🤔 F1 會困惑

🤔❓

「這是分類成哪一類？」

但房價預測不是單純：

是 / 否

📏 MSE 上場

📐🎯

真正要問：

「你預測的價格跟真實價格差多少？」

👉 MSE 正合適！

🥊 第七幕：MSE vs F1 Score

比較	🔵 MSE	🟠 F1 Score
主要任務	回歸（Regression）	分類（Classification）
回答什麼？	預測值與真實值差多少？	Precision 與 Recall 的平衡如何？
資料例子	房價、溫度、銷售額	詐欺／正常、垃圾信／正常
核心概念	誤差平方後取平均	Precision＋Recall 的調和平均
漫畫	📏「你猜多準？」	⚖️「你抓得準又抓得完整嗎？」

🚨 第八幕：四個選項的考試陷阱

✅ A. 均方誤差（MSE）
正確！房價預測是典型的回歸問題，模型輸出的是連續數值「房價」。MSE 可以衡量預測房價與實際成交價之間的誤差。

❌ B. 精確率（Precision）
Precision 是分類任務常用的評估指標，關注「被模型判為正類的資料中，有多少是真的正類」，不是房價這種連續數值預測的主要指標。

❌ C. F1 Score
F1 是分類評估指標，用來平衡 Precision 與 Recall。房價預測不是「是／否」分類，因此不適合當本題的主要評估指標。

❌ D. Recall
Recall 是分類任務常用指標，關注真正的正類中有多少被找出來；房價預測不是分類問題，因此不適合。

🎬 第九幕：看到題目先問自己「這是回歸還是分類？」

📈 回歸

🏠💰📊

預測房價

預測溫度

預測銷售額

輸出是一個數值

🏷️ 分類

🐱🐶❓

貓 / 狗

詐欺 / 正常

垃圾信 / 正常

輸出是類別

🧠 選指標

🤔➡️🎯

回歸：

MSE 等誤差指標

分類：

Precision / Recall / F1

⭐ iPAS 解題第一步：不要看到「準確」就直接想到 Accuracy。先判斷模型是在「預測數值」還是「判斷類別」。

🧠 iPAS 考前超強口訣

MSE＝📏「數值差多少？」
F1＝⚖️「分類抓得準不準、漏得多不多？」

看到「房價／溫度／銷售額」→ 📈 回歸 → MSE

看到「是／否、正常／異常、類別」→ 🏷️ 分類 → Precision / Recall / F1

Precision＝🎯「抓出來的，有多少真的？」

Recall＝🔎「真的有多少，我抓到了？」

F1＝⚖️「Precision＋Recall 的平衡」

⭐ 最終口訣：先分回歸分類，再選評估指標！

🎯 最後來做你提供的例題

題目：某房仲業者開發房價預測系統，根據坪數、屋齡、樓層與地段等條件，自動估算每間房屋的成交價格。哪一種指標最適合在系統上線前評估模型的預測準確程度？

A. 均方誤差（MSE）
B. 精確率（Precision）
C. F1 分數（F1 Score）
D. 召回率（Recall）

🎯 正確答案：A. 均方誤差（MSE）✅

關鍵字是：「房價預測」＋「估算成交價格」。

模型輸出的是連續數值，因此這是一個回歸（Regression）問題。MSE 可以衡量預測房價與實際成交價格之間的平方誤差平均值，因此最符合題目需求。

✅ A：正確。房價是連續數值 → 回歸 → MSE。

❌ B：Precision 主要用於分類問題，不是房價連續數值預測的主要評估指標。

❌ C：F1 用來平衡 Precision 與 Recall，主要用於分類問題；房價預測不是分類。

❌ D：Recall 也是分類評估指標，與本題的房價回歸問題不符。

⭐ 題目看到「預測一個價格」→ 回歸 → MSE

📌 考前最後一張小抄

題目關鍵字	立刻想到
房價／房租	📈 回歸 → MSE
溫度／銷售額／數值預測	📈 回歸 → MSE 等誤差指標
垃圾信／正常	🏷️ 分類 → Precision / Recall / F1
詐欺／正常	🏷️ 分類 → Precision / Recall / F1
Precision	🎯 抓出來的有多少是真的？
Recall	🔎 真正的有多少抓到了？
F1	⚖️ Precision＋Recall 的平衡

⭐ 最終口訣：
「數值預測看誤差；分類判斷看 Precision、Recall、F1！」

❓ 常見問題 FAQ

MSE 和 F1 Score 差在哪裡？

MSE（均方誤差）用於回歸問題，衡量預測值與真實值之間差多少（例如預測房價與實際成交價的誤差）；F1 Score 用於分類問題，衡量 Precision（精確率）與 Recall（召回率）的平衡程度。判斷第一步是先確認題目是回歸還是分類。

怎麼判斷該用 MSE 還是 F1？

看模型輸出的是什麼：如果輸出是一個連續數值（例如房價、溫度、銷售額），就是回歸問題，用 MSE 等誤差指標；如果輸出是類別（例如是／否、垃圾信／正常），就是分類問題，用 Precision、Recall、F1 等指標。

Precision 和 Recall 分別代表什麼？

Precision（精確率）問的是「你抓出來的，有多少是真的？」，例如判定為垃圾信的郵件中有多少真的是垃圾信；Recall（召回率）問的是「真正的目標，你抓到了多少？」，例如所有垃圾信中有多少被成功找出來。F1 是兩者的調和平均。

為什麼房價預測不能用 F1 Score 評估？

因為房價預測的輸出是連續數值，不是「是／否」這種類別判斷，F1 是設計來平衡分類任務中 Precision 與 Recall 的指標，用在房價這種回歸問題上沒有意義，正確做法是用 MSE 衡量預測價格與實際成交價之間的誤差。

考試看到「準確」兩個字，是不是就直接想到 Accuracy？

不要這樣做，這是常見的陷阱。iPAS 解題第一步應該是先判斷模型在做的是「預測數值」還是「判斷類別」，再決定用回歸指標（如 MSE）還是分類指標（如 Accuracy、Precision、Recall、F1），而不是看到「準確」就直接跳到 Accuracy。