8.4 Loss 與 Metrics

範例程式：

Loss function 是模型訓練時真正被 optimizer 最小化的目標，metrics 則是人類用來理解模型表現的觀察指標。兩者常一起出現在 model.compile()，但用途不同。本篇用 regression、binary classification 與 multi-class classification 三種任務整理常見選擇，並示範如何在 Keras 中設定。

1. 學習目標

訓練模型時，常見錯誤是 loss、輸出層 activation 與標籤格式不一致。例如：

1. 多類別分類用 softmax，卻搭配 binary_crossentropy。
2. 標籤是整數類別，卻使用需要 one-hot label 的 loss。
3. 資料高度不平衡，卻只看 accuracy。
4. regression 任務使用分類 metrics。

本篇要建立的判斷方式是：先確認任務型態與標籤格式，再選 loss、輸出層與 metrics。

2. Loss 與 Metrics 的差異

名稱	用途	是否直接影響權重更新
Loss function	optimizer 最小化的目標	是
Metrics	訓練與評估時顯示的觀察指標	通常否

例如 binary classification 常用 binary_crossentropy 作為 loss，並同時觀察 accuracy、Precision、Recall 與 AUC。模型更新權重時主要看 loss，但我們判斷模型是否適合實務情境時，會一起看 metrics。

3. 常見任務對照表

任務	輸出層	標籤格式	常用 loss	常用 metrics
Regression	Dense(1)	連續數值	mse、mae	mae、RootMeanSquaredError
Binary classification	Dense(1, sigmoid)	0/1	binary_crossentropy	accuracy、Precision、Recall、AUC
Multi-class classification	Dense(num_classes, softmax)	整數類別	sparse_categorical_crossentropy	accuracy
Multi-class classification	Dense(num_classes, softmax)	one-hot	categorical_crossentropy	accuracy
Multi-label classification	Dense(num_labels, sigmoid)	多個 0/1 標籤	binary_crossentropy	AUC、自訂 threshold metrics

4. 本篇實作流程

Notebook 會先用小表格整理 loss 與 metrics 的搭配，再使用合成 binary classification 資料訓練模型，示範：

1. model.compile() 如何同時設定 loss 與多個 metrics。
2. model.evaluate() 回傳的數值如何對應到 metrics 名稱。
3. 如何用 classification_report 與 confusion matrix 補充 Keras metrics。
4. 如何改變 decision threshold，觀察 precision 與 recall 的取捨。

Keras compile 範例如下：

model.compile(
    optimizer=tf.keras.optimizers.Adam(learning_rate=0.001),
    loss='binary_crossentropy',
    metrics=[
        'accuracy',
        tf.keras.metrics.Precision(name='precision'),
        tf.keras.metrics.Recall(name='recall'),
        tf.keras.metrics.AUC(name='auc')
    ]
)

5. Accuracy 不一定夠用

若資料不平衡，accuracy 可能很高但模型沒有抓到重要類別。例如詐欺偵測、疾病篩檢或異常偵測，真正重要的可能是 recall 或 precision。

指標	適合觀察
Precision	模型判定為正類時，有多少是真的正類
Recall	真正的正類中，有多少被模型抓到
AUC	不固定單一 threshold 時的整體排序能力
Confusion matrix	TP、FP、TN、FN 的分布

6. 如何套用到自己的資料？

替換資料時，先回答四個問題：

1. 這是 regression、binary classification、multi-class classification 還是 multi-label classification？
2. y 的格式是連續數值、0/1、整數類別、one-hot，還是多欄 0/1？
3. 最後一層 activation 是否和任務一致？
4. 評估指標是否能反映實務需求？

只要這四件事一致，compile() 的設定就比較不容易出錯。

7. 小結

Loss 是模型學習的目標，metrics 是我們判斷模型是否有用的觀察角度。選擇 loss 與 metrics 時，不要只背 API 名稱，而要從任務型態、標籤格式、輸出層與實務需求一起判斷。