用收益成本分析圖（Profit-Cost Curve）輕鬆評估策略效益
在商業領域中，許多的業務推行和決策往往需要多加考慮在進行決策的調整，調整的目的不外乎是希望提升業務收入，或者降低成本，本篇內容將介紹收益成本分析圖（Profit-Cost Curve），讓機器學習模型在訓練的同時，就自動幫我們評估好模型最佳閾值（threshold），能夠讓業務推行的同時，在收益與成本的管控上取得更好的平衡。
閱讀文章 →模型評估指標
共 10 篇文章
解密機器學習模型指標！偏差與變異數（Bias & Variance）的關鍵解析
在機器學習領域當中，有效的理解模型的偏差（Bias）和變異數（Variance）是一種分析和理解模型泛化誤差（generalization error）技術的一中方式，經由判斷出誤差的類型，我們可以更有信心的調整資料特徵以及模型超參數的設定。
閱讀文章 →
如何用Hoeffding不等式估計機器學習模型的泛化誤差
Hoeffding 不等式（Hoeffding’s Inequality）是一個經典的概率不等式，用於分析二元隨機變量和的偏離程度。在機器學習中，它可以幫助估計模型的泛化誤差（Generalization Error），也就是模型在訓練集上的表現與在測試集上的表現的差異。
閱讀文章 →
推導機器學習模型的泛化誤差方法
推導模型的泛化誤差方法 泛化誤差的估計方法包括下列幾種方式，可以直接點擊下面的連結，會開啟新分頁。 Rademacher Complexity (拉德馬赫複雜度) VC 維度（Vapnik-Chervonenkis 維度） Hoeffding 不等式（Hoeffding’s Inequality） PAC 學習框架中的界限（Probably Approxim
閱讀文章 →
機器學習模型複雜度的指標：VC維度
VC 維度（Vapnik-Chervonenkis 維度）是一種統計分類模型複雜性的指標。它由 Vladimir Vapnik 和 Alexey Chervonenkis 提出，主要用於學習理論（Learning Theory）和統計學中。
閱讀文章 →
機器學習模型複雜度的指標：Rademacher Complexity
Rademacher Complexity（拉德馬赫複雜度） 是機器學習理論中的一個重要概念，用於衡量假設空間（模型集合）的複雜度，它是用來評估模型泛化能力（Generalization Ability）的一種工具。
閱讀文章 →
估計建立模型所需要的資料數量（PAC 學習）
PAC 學習（Probably Approximately Correct Learning）是機器學習理論中的一個重要框架，它提供了一種分析學習演算法的泛化能力（generalization ability）的方法。
閱讀文章 →
累積收益圖與提升圖：洞察模型績效的兩大利器（Cumulative Gains Chart and Lift Chart）
當業務部門向AI開發人員詢問，請問你的分類預測模型的效能表現很好，但是我希望可以藉由你的模型結果，向客戶說明AI模型提升的幅度，請問有更直觀的說明方式嗎?
閱讀文章 →
【模型評估指標】機率校正曲線圖（Probability Calibration Curves）：不只看準確率，真正理解模型的預測信心
想提升模型可靠度？本篇文章專為資料分析初學者設計，深入解析關鍵模型評估指標：機率校正曲線圖 (Probability Calibration curves)。透過 Python 與 Scikit-learn 實作，教你如何觀察模型預測信心，讓 AI 預測不再是黑盒子的瞎猜。
閱讀文章 →