影像分類指標互動教學：Top-1, Top-5, ImageNet

Top-1 vs. Top-5 Accuracy 互動模擬器

大白話解釋：AI 看到照片時，會猜測一整張「可能性清單」。Top-1 只看機率最高的第一名猜得對不對；Top-5 則是只要前五名裡面有正確答案，就算 AI 答對！

步驟 👇 第一步：請選擇一張測試照片送進 AI 大腦

🐱

🐺

🍅

🧠 AI 的內部機率評估 (SVG 圖表)

🎯 指標與判定結果

第二步：切換評估指標

當前正確答案：貓 (Cat)
Top-1：只看第 1 名。

✅ 預測成功！

🧩 Top-1 Accuracy (最高機率正確率)

應用場景：最嚴格的標準。適用於不容許一絲模糊的場景（如人臉辨識門禁、車牌辨識）。

🧩 Top-5 Accuracy (黃金前五名)

應用場景：較寬鬆、人性化的標準。適用於類別極多且相似的狀況（如以圖搜圖、辨識 100 種不同的狗勾品種）。只要前五名猜中就過關！

ImageNet 影像辨識的黃金標準基準

什麼是 ImageNet？ 它是一個包含超過 1400 萬張手動標記圖像、多達 2 萬多個類別的超巨大資料庫。在 AI 界，它就像是「影像辨識的奧運會場」，全世界頂尖的模型都會在這裡一決勝負。

📈 歷年 ImageNet 錯誤率走勢（越低越強）

💡 為什麼 ImageNet 是標準基準 (Benchmark)？

統一代標： 全世界科學家都用同一套防偽考卷（ImageNet-1K），分數高低一目了然，杜絕「老王賣瓜」。
推動歷史： 2012 年 AlexNet 在這個資料庫上用 GPU 暴力碾壓傳統演算法，正式開啟了這波 AI 深度學習大時代。
超越人類： 人類視覺在 ImageNet 的平均錯誤率約為 5%（畢竟裡面有一堆細分的狗品種），而早在 2015 年的 ResNet 就已經打破了人類紀錄。

📝 iPAS 考點提醒

分類是預測離散類別的監督式學習,iPAS 初級科目一與中級科目三必考。重點:二元用 Sigmoid、多元用 Softmax 輸出機率,再以門檻轉成類別;評估看混淆矩陣與其衍生指標。易混點:別只看準確率(不平衡會騙人),要依情境選精確率、召回率、F1 或 AUC;分類(離散)與迴歸(連續)要分清。常見演算法:邏輯迴歸、決策樹、隨機森林、SVM、KNN、樸素貝氏。

想練情境題與詳解 → AI 學習與考證地圖

❓ 常見問題

什麼是分類問題？

預測離散類別的監督式學習，如垃圾郵件與否、影像是貓或狗；相對地預測連續數值則是迴歸。

二元和多元分類差在哪？

二元只有兩類(是或否)；多元有三類以上(如手寫數字 0 到 9)。多元常用 softmax 輸出各類機率。

分類模型怎麼評估？

看混淆矩陣與其衍生指標：準確率、精確率、召回率、F1；不平衡時還會看 ROC-AUC、PR-AUC。

常見的分類演算法有哪些？

邏輯迴歸、決策樹與隨機森林、SVM、KNN、樸素貝氏、梯度提升，以及神經網路；依資料與需求選擇。

分類門檻可以調嗎？

可以；模型多先輸出機率，再以門檻(預設 0.5)轉成類別。調門檻可在精確率與召回率間權衡。

← 返回 AI 學習與考證地圖

影像分類指標新手村