模型評估：別只看準確率

100 個病人裡只有 5 個生病，模型全猜沒病也有 95% 準確率——但它毫無用處。準確率會騙人。這堂課給你一整組更誠實的評估工具。

這堂課你會學到

• 用 交叉驗證（cross-validation） 得到更可靠、附帶波動範圍的分數
• 讀懂 混淆矩陣——錯誤的型態，不只一個總分
• 理解 precision（喊得準不準）/ recall（抓得全不全）/ F1（兩者平衡）
• 畫 ROC 曲線 並算 AUC，跨所有門檻評估模型

為什麼需要這麼多指標？

預覽圖左邊的混淆矩陣，揭露的是準確率藏起來的東西：在醫療、詐欺場景，「把生病的誤判成健康」遠比反過來嚴重——這種錯誤的代價不對稱，只看一個總分永遠看不到。

右邊的 ROC 曲線則跳脫了「0.5 當門檻」的預設：分類器其實輸出的是機率，把門檻從 0 掃到 1，就能看出模型在各種取捨下的表現，AUC 用一個數字總結（越接近 1 越好，0.5 等於亂猜）。

👉 在 Colab 裡把分類門檻從 0.5 改成 0.3，看 recall 和 precision 怎麼此消彼長——並想想醫療場景該往哪邊調。