📊 分數分布圖（正類 vs 負類）
📈 ROC 曲線
拖動門檻值，看 ROC 曲線如何一點一點畫出來
想像你是機場安檢員，要決定「多嚴格」才算可疑：
= Recall = 壞人被抓到的比例
TP / (TP + FN)
= 好人被誤攔的比例
FP / (FP + TN)
曲線下面積，不受門檻影響
1.0=完美 | 0.5=亂猜
癌症篩檢 → 門檻低（寧可多檢查）
垃圾郵件 → 門檻高（別誤刪重要信）
ROC 與 AUC 是 iPAS 分類評估常考(中級科目三)。重點:調整分類門檻會在召回率(TPR)與誤報率(FPR)間權衡,ROC 把這條取捨曲線畫出來,AUC(曲線下面積)總結整體區分能力。易混點:AUC 高不代表在你選的門檻就好;極度不平衡時 PR 曲線與 PR-AUC 比 ROC 更能反映少數類表現。情境:選操作門檻、比較模型。
想練情境題與詳解 → AI 學習與考證地圖
閾值是把機率轉成類別的分界。閾值調低會有更多被判為陽性，Recall 上升但 Precision 與 FPR 變差；調高則相反，這是 Precision 與 Recall 的取捨。
不一定。0.5 只是慣例；在不平衡或成本不對稱(漏報比誤報嚴重)時，應依需求或用驗證集挑選最佳閾值(如最大化 F1 或符合目標 Recall)。
視目標而定：要高 Recall 就降閾值、要高 Precision 就升閾值；可用 ROC/PR 曲線、F1 最大點、或依商業成本(誤報與漏報代價)來決定。
代表某一個特定閾值下的 (FPR, TPR)；沿曲線移動就是改變閾值，左下角是高閾值(保守)、右上角是低閾值(寬鬆)。
AUC 是整條曲線(所有閾值)的綜合指標、與單一閾值無關；選定閾值後才談該點的 Precision、Recall、F1。