# HANDOFF — Boss Review Round 4 hotfix（共 5 張）

> 日期：2026-05-13
> 派工人：Heiter
> 來源：boss 在 sidebar 留 5 個 review notes，全部已 boss_approval 過（Discord「直接 approve 做下去」）
> 圖檔規格：16:9 / 2048x1152
> Round 4 commit：尚未 commit（待 5 張生圖完成 + driver 驗收後一併 commit）

## 5 張清單

| # | 檔名 | 章節 | 動因 |
|---|---|---|---|
| 1 | `L23102_p06_sec3_1_geometric_meaning_v4.png` | L23102 | 剪切 v3 仍 fail（方形→平行四邊形不夠明顯）→ v4 改用「旋轉 + 長度改變」雙重變化雙向量箭頭並列對比 |
| 2 | `L23202_p14a_sec3_6_bagging_vs_boosting_v3.png` | L23202 v2 | 拔掉 RF Classifier 細節 + 加集成式分類定義 banner（chunks 920-944 原文）+ Bagging vs Boosting 觀念對照 |
| 3 | `L23202_p14a2_sec3_6_random_forest_classifier.png`（新頁） | L23202 v2 | Random Forest Classifier 獨立放大頁（從 P14a 拆出來，避免擁擠） |
| 4 | `L23303_p09_sec3_2_confusion_matrix_v2.png` | L23303 | 二元分類混淆矩陣行列軸對調（鎖死 行=Actual / 列=Predicted） |
| 5 | `L23303_recap_p02_metrics_selection_summary_v2.png` | L23303 recap | F1 公式分子係數鎖死純數字 2（無平方）+ 混淆矩陣行列同 P09 規格 |

## 共通負向約束（沿用 round 3 規格）

```
1. 嚴禁畫成其他章節 — 各圖 L-code 必須與檔名一致（L23102 / L23202 / L23303）。
2. 嚴禁過頁鉤子（不寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「P07a/P07b/P07c」「→ 序列方法見」「本節結束 — 下節 PXX」「→ 下一頁 P14a2: Random Forest Classifier」等任何指向其他頁面或子頁字樣）。
3. 嚴禁右上角頁碼。
4. 嚴禁加「例」字（不寫「真正例」「假正例」「假負例」「真負例」— 教材原文只用「真正 / 假正 / 假負 / 真負」）。
```

---

## 張 1：L23102_p06_sec3_1_geometric_meaning_v4.png

### Boss 留言（sidebar note `n_1778591201_668082`，2026-05-12T21:06:41）
> 旋轉以及剪切還是有問題...有這麼困難嗎？

### 失敗動因
- v2：旋轉「方向變+長度不變」未做嚴格等長 / 剪切「向量斜傾」太抽象
- v3：改用「正方形→平行四邊形」雙重虛線格子變形，視覺效果仍不夠明顯，boss 直接打槍

### v4 修正策略（boss 直接指示）
剪切改用「**旋轉 + 長度改變**」雙重變化呈現 — 與教材定義「長度與角度皆改變」一致（chunks/L23102.txt line 33-34）。四種變換以「方向 × 長度」雙軸辨識公式鎖死：
- 縮放 = 方向不變 + 長度變
- 旋轉 = 方向變 + 長度不變
- 剪切 = 方向變 + 長度變（**雙重**）
- 投影 = 方向變到子空間 + 長度縮短

**嚴禁**剪切再用方形→平行四邊形格子變形（v3 失敗點）。改用「兩個向量箭頭並列對比」雙軸變化呈現。

### 完整 Prompt

```
請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：向量、矩陣左乘、線性變換、縮放（Scaling）、改變尺度但不改變方向、旋轉（Rotation）、改變向量的方向而不改變其長度、正交變換、特徵對齊、剪切（Shearing）、向量方向在空間中產生傾斜變化、非對角矩陣、投影（Projection）、高維向量投射到子空間、主成分空間、分類超平面、特徵空間的重構、重新編碼、強化資料的分群結構、降低維度冗餘、提高對特定方向的敏感度。

不要改寫為其他英文術語，不要省略教材括號中的英文詞；可補充說明，但教材主詞需保留。

左上角標示「L23102」。主標題寫「3.（1）向量經過矩陣運算的幾何意涵」。中央以 2D 座標格展示向量 x 經矩陣 A 左乘後產生的四種幾何效果：縮放（Scaling）、旋轉（Rotation）、剪切（Shearing）、投影（Projection）四個小座標格並列，每格畫變換前後對照。最下方以一段話帶出這些操作的目的：對原始特徵空間的「重構」或「重新編碼」，讓資料在轉換後的空間中更利於模型處理（強化分群結構、降低維度冗餘、提高敏感度）。

【🚨 v4 必修 — 四種幾何變換視覺鎖死規則】

⚠️ v2 / v3 失敗教訓：v2 旋轉「方向變+長度不變」未做嚴格等長 / 剪切「向量斜傾」太抽象；v3 改用「正方形→平行四邊形」雙重虛線，視覺效果仍不夠明顯。v4 鎖死四種變換為「方向 × 長度」雙軸對照，剪切改用「兩個向量箭頭並列、雙重變化」呈現，禁用方形→平行四邊形格子變形。

✅ 四種幾何變換視覺鎖死：

①縮放（Scaling）：x、Ax 同方向（角度 0°）、Ax 比 x 長 1.5 倍。標「方向不變 + 長度變」。

②旋轉（Rotation）：x、Ax 相同 grid 格數長度（嚴格等長，例如都剛好 3 格）、角度差 30–45°。標「|x|=|Ax|，方向轉 θ」「方向變 + 長度不變」。

③剪切（Shearing）：x、Ax 同時方向變 + 長度變（雙重變化）。
- 例：x 從原點水平指 2 格（角度 0°）
- Ax 從原點往右上指 3 格（角度 30°，且明顯比 x 長）
- 嚴禁畫成「方形→平行四邊形」的格子變形（v3 失敗點）
- 改用「兩個向量箭頭並列對比」呈現雙軸變化
- 標註「方向變 + 長度變（雙重）」

④投影（Projection）：Ax 投影到 x 軸或 y 軸，明顯比 x 短 + 方向變到子空間。標「方向變到子空間 + 長度縮短」。

【辨識公式（v4 補強）】四格底部用一條對照條呈現：
- 縮放 = 方向不變 + 長度變
- 旋轉 = 方向變 + 長度不變
- 剪切 = 方向變 + 長度變（雙重）
- 投影 = 方向變到子空間 + 長度縮短

嚴禁：剪切再用方形→平行四邊形格子變形；旋轉 x 與 Ax 長度不等；縮放與旋轉的方向/長度視覺與標註不一致。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

【共通負向約束】
1. 嚴禁畫成 L23101 / L23103 / L23202 / L23203 等其他章節 — 本章是 L23102。
2. 嚴禁過頁鉤子（不寫「見 PXX」「← 上一頁」「→ 下一頁」等任何指向其他頁面或子頁字樣）。
3. 嚴禁右上角頁碼。

輸出檔名：L23102_p06_sec3_1_geometric_meaning_v4.png
```

---

## 張 2：L23202_p14a_sec3_6_bagging_vs_boosting_v3.png

### Boss 留言（sidebar note `n_1778592212_bb5007`，2026-05-12T21:23:32）
> 重產圖，幫我把這個定義明確寫入。
>
> 另外建議分兩頁面避免過於擁擠。
>
> 集成式分類（Ensemble Classification）是將多個模型的預測結果整合，提升分類準確度與穩定性的技術。其核心概念是「群體智慧通常勝過單一模型」。
> 在前面的「迴歸任務」中，已經介紹過集成演算法如 Random Forest、Gradient Boosting、XGBoost、LightGBM 等。這些演算法同樣可以應用在分類問題上，只是演算法內部在處理類別預測時，邏輯會略有不同。

### 失敗動因
v2 P14a 把「Bagging vs Boosting 觀念對照 + Random Forest Classifier 細節」擠一頁，視覺過於擁擠，且未呈現集成式分類定義原文。

### v3 修正策略
拔掉 RF Classifier 細節（獨立到新頁 P14a2）；本頁只做「集成式分類定義 banner + Bagging vs Boosting 觀念對照」。

### 完整 Prompt

```
請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：集成式分類（Ensemble Classification）、將多個模型的預測結果整合、提升分類準確度與穩定性的技術、群體智慧通常勝過單一模型、迴歸任務、Random Forest、Gradient Boosting、XGBoost、LightGBM、類別預測、邏輯會略有不同、類別標籤、類別機率、投票機制（Voting）、機率平均、Bagging（Bootstrap Aggregating）、隨機抽樣、多個獨立模型、多數決（Voting）、降低模型的變異性（Variance）、Boosting、逐步建立、針對前一個模型的錯誤進行修正、加權整合、降低偏差（Bias）、機率輸出、Softmax、多類別處理、一對多策略（One-vs-Rest, OvR）、一對一策略（One-vs-One, OvO）。

TERMS_RULE 覆寫：不要改寫為其他英文術語，不要省略教材括號中的英文詞；「集成式分類（Ensemble Classification）」「Bagging（Bootstrap Aggregating）」「投票機制（Voting）」「一對多策略（One-vs-Rest, OvR）」「一對一策略（One-vs-One, OvO）」「Softmax」必須整組保留。

左上角標示「L23202」。主標題寫「3.（6）集成式分類」，副標寫「Bagging vs Boosting 觀念對照」。

【🚨 v3 必修 — split 規格鎖死】

⚠️ v2 失敗教訓：v2 P14a 把「Bagging vs Boosting 觀念對照 + Random Forest Classifier 細節」擠一頁，boss 留言要求「重產圖，幫我把這個定義明確寫入。另外建議分兩頁面避免過於擁擠」。v3 拔掉 RF Classifier 細節（獨立放到 P14a2），本頁只做「集成式分類定義 banner + Bagging vs Boosting 觀念對照」。

【頁首集成式分類定義 banner】（占約 20%，橫貫頁首）
banner 內以暖黃色重點框完整呈現教材原文（chunks line 920-944）：

> 集成式分類（Ensemble Classification）是將多個模型的預測結果整合，提升分類準確度與穩定性的技術。核心概念是「群體智慧通常勝過單一模型」。
>
> 在前面的「迴歸任務」中，已介紹過集成演算法如 Random Forest、Gradient Boosting、XGBoost、LightGBM 等。這些演算法同樣可以應用在分類問題上，只是演算法內部在處理類別預測時，邏輯會略有不同。

【中段 Bagging vs Boosting 觀念對照】（占約 55%，切上下兩半）

上半 — Bagging（Bootstrap Aggregating）：
- Bootstrap Aggregating（隨機抽樣 + 聚合）
- 並行建多個獨立模型
- 最終以多數決（Voting）決定類別
- 重點：降低模型的變異性（Variance）
- 視覺：多個獨立 Tree 並排（並行）→ 票箱 → 多數決

下半 — Boosting：
- 序列建模
- 每個新模型修正前一個模型的錯誤
- 加權整合所有模型結果
- 重點：降低偏差（Bias）
- 視覺：Tree1 → Tree2 → Tree3 序列（虛線箭頭標「修錯誤」）→ 加權整合

【底部代表演算法對照表】（占約 15%）
| 集成方式 | 代表演算法 |
|---|---|
| Bagging | Random Forest（隨機森林） |
| Boosting | Gradient Boosting / XGBoost / LightGBM |

底部小註：「分類專屬決策機制：投票機制（Voting）/ 機率輸出（Softmax）/ 多類別處理（一對多策略 One-vs-Rest, OvR / 一對一策略 One-vs-One, OvO / Softmax）。」

【共通負向約束】
1. 嚴禁畫成 L23201 / L23203 / L23302 等其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「P14a/P14b/P14c」「→ 下一頁 P14a2: Random Forest Classifier」「→ 序列方法見」「本節結束 — 下節 PXX」等任何指向其他頁面或子頁字樣）。
3. 嚴禁右上角頁碼。
4. 嚴禁本頁出現 Random Forest Classifier 的詳細細節（流程 a-b-c / 4 格 2×2 / 票箱視覺等），這些已獨立到 P14a2。本頁 Random Forest 僅作為「Bagging 的代表演算法」一行帶出。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

輸出檔名：L23202_p14a_sec3_6_bagging_vs_boosting_v3.png
```

---

## 張 3：L23202_p14a2_sec3_6_random_forest_classifier.png（新頁）

### 動因
從原 v2 P14a 拆出來的獨立放大頁（同 boss note `n_1778592212_bb5007`「建議分兩頁面避免過於擁擠」）。本頁專門放 Random Forest Classifier 細節（多棵樹 + 投票 + 4 格 2×2）。

### 完整 Prompt

```
請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：集成式分類（Ensemble Classification）、隨機森林分類器（Random Forest Classifier）、Bagging、多棵決策樹、Bootstrap Sample、隨機抽取訓練資料、隨機選取特徵子集、各自獨立訓練、多數投票（Voting）、票數最多的類別、最終分類、抗過擬合能力強、可提供特徵的重要性、訓練可平行化、黑箱模型、體積大、不平衡資料、平滑的機率估計、Accuracy（準確率）、Precision（精確率）、Recall（召回率）、F1-score、ROC-AUC。

TERMS_RULE 覆寫：不要改寫為其他英文術語，不要省略教材括號中的英文詞；「隨機森林分類器（Random Forest Classifier）」「Bootstrap Sample」「多數投票（Voting）」「Bagging」必須整組保留；不可寫為「隨機森林分類」缺「器」字。

左上角標示「L23202」。主標題寫「3.（6）集成式分類」，副標寫「隨機森林分類器（Random Forest Classifier）」。

【主視覺】（占約 50%，中央放大）
- 中央橫向並排 4-5 棵決策樹（手繪 tree icon，每棵不同色 — 紅 / 橙 / 綠 / 藍 / 紫）
- 每棵樹左側標一個 Bootstrap Sample（樣本袋 icon，從訓練資料中隨機抽取，重複抽樣允許）
- 每棵樹節點標隨機特徵子集（不同特徵編號 f1/f3/f5 等，每棵樹隨機選特徵）
- 每棵樹下方標各自預測的類別（class A / B / C / A / B 等）
- 樹群下方匯流到中央票箱（Voting Box）icon
- 票箱右側箭頭標「多數投票（Voting）」→ 最終輸出票數最多的類別 ★（class A）作為最終分類

【下半切三格】（占約 45%）

①模型運作流程（步驟 a-b-c）：
- a. 從訓練資料以 Bootstrap Sample 隨機抽取多份子資料集（容許重複抽樣）
- b. 每份建一棵決策樹，建樹過程同時在每個節點隨機選取特徵子集
- c. 各棵樹獨立訓練 → 各自預測類別 → 多數投票（Voting）決定最終分類

②特點：
- 抗過擬合能力強（多棵樹平均、Bagging 降變異）
- 可提供特徵的重要性（feature importance）
- 訓練可平行化（樹與樹獨立建構）

③缺點 / 使用限制：
- 黑箱模型（多棵樹組合難以解釋單一決策）
- 體積大（模型檔案大、記憶體成本高）
- 極端不平衡資料下可能偏向多數類
- 無法提供平滑的機率估計

【底部小註】（占約 5%）：模型評估指標 — Accuracy（準確率）/ Precision（精確率）/ Recall（召回率）/ F1-score / ROC-AUC。

【共通負向約束】
1. 嚴禁畫成 L23201 / L23203 / L23302 等其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁 P14a: Bagging vs Boosting」「→ 下一頁 P14b: Gradient Boosting Classifier」「本節三子方法位置」「P14a/P14a2/P14b/P14c」「→ 序列方法見」「本節結束 — 下節 PXX」等任何指向其他頁面或子頁字樣）。
3. 嚴禁右上角頁碼。
4. 主標保留 chunks 原文「3.（6）集成式分類」+ 副標自帶方法名「隨機森林分類器（Random Forest Classifier）」即足夠定位。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

輸出檔名：L23202_p14a2_sec3_6_random_forest_classifier.png
```

---

## 張 4：L23303_p09_sec3_2_confusion_matrix_v2.png

### Boss 留言（sidebar note `n_1778675569_c6a375`，2026-05-13T20:32:49）
> 二元分類問題中的混淆矩陣，預測類別以及實際類別似乎寫相反了，位置需要對調

### 失敗動因
v3 圖中混淆矩陣 row / column header 寫相反：把「預測類別」放在縱軸（row）、「實際類別」放在橫軸（column）。導致 TP / FP / FN / TN 視覺位置全錯（不符合 sklearn 教科書慣例 行=Actual / 列=Predicted）。

### v4 修正策略（行列軸對調鎖死）
**2×2 混淆矩陣：行（縱軸 row）= 實際類別 Actual、列（橫軸 column）= 預測類別 Predicted**
- 左上格 = TP（True Positive，同對角線正確預測：實際正 / 預測正）
- 右下格 = TN（True Negative，同對角線正確預測：實際負 / 預測負）
- 右上格 = FN（False Negative，同對角線錯誤預測：實際正 / 預測負）
- 左下格 = FP（False Positive，同對角線錯誤預測：實際負 / 預測正）

### 完整 Prompt

```
請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：二元分類、混淆矩陣（Confusion Matrix）、正類（Positive）、負類（Negative）、真正（True Positive, TP）、假正（False Positive, FP）、假負（False Negative, FN）、真負（True Negative, TN）、P：實際為正類的樣本數、N：實際為負類的樣本數、準確率（Accuracy）、正確預測樣本數佔總樣本數的比例、類別分佈相對均衡、類別不平衡、精確率（Precision）、被預測為正類的樣本中實際為正類的比例、誤報正類、垃圾郵件分類、醫療誤診、預測為正的可信度、召回率（Recall）、實際正類樣本中被正確預測為正類的比例、漏報正類、癌症偵測、詐騙偵測、模型能抓住多少實際正類、F1 分數（F1-Score）、精確率與召回率的調和平均、ROC 曲線（Receiver Operating Characteristic）、假正率、真正率、AUC（Area Under Curve）、曲線下的面積、所有可能閾值下的整體區分能力、AUC 值越接近 1。

公式符號必須保留：Accuracy = (TP + TN) / (TP + TN + FP + FN)；Precision = TP / (TP + FP)；Recall = TP / (TP + FN)；F1 = 2 · (Precision · Recall) / (Precision + Recall)。

TERMS_RULE 覆寫（v4 修復）：不要改寫為其他英文術語，不要省略教材括號中的英文詞；TP / TN / FP / FN 四個英文縮寫與其展開形（True Positive 等）需同時出現。
- 混淆矩陣四格用詞鎖死「真正 / 假正 / 假負 / 真負」（教材原文 line 118-130，嚴禁寫成「真正例 / 假正例 / 假負例 / 真負例」這種腦補加「例」字的詞）
- 5 格指標必須各自完整呈現「定義 / 公式 / 適用 / 限制 or 目的」：
  · Accuracy：定義「正確預測樣本數佔總樣本數的比例」+ 限制「在嚴重類別不平衡的資料中容易誤導，例如 95% 樣本為負類時，即使模型全預測為負，準確率仍高達 95%」
  · Precision：定義「被預測為正類的樣本中，實際為正類的比例」+ 適用「誤報正類代價高（垃圾郵件分類、醫療誤診）」+ 目的「衡量預測為正的可信度」
  · Recall：定義「實際正類樣本中，被正確預測為正類的比例」+ 適用「漏報正類代價高（癌症偵測、詐騙偵測）」+ 目的「衡量模型能抓住多少實際正類」
  · F1 分數：定義「精確率與召回率的調和平均」+ 適用「需在精確率與召回率間取得平衡，且類別不平衡嚴重時」
  · ROC-AUC：定義「ROC 曲線（Receiver Operating Characteristic）橫軸假正率、縱軸真正率；AUC（Area Under Curve）= 曲線下面積，代表所有可能閾值下的整體區分能力」+「AUC 值越接近 1，模型越好」+ 適用「需綜觀整體預測能力時，特別是需調整分類閾值的應用」
- ROC-AUC 曲線必須完整呈現（教材原文 line 167-172 表格有 Random / Better / Perfect 三條對照），不可只畫一條簡陋的 AUC 小曲線

左上角標示「L23303」。主標題寫「3.（1）分類任務的評估指標」。

【🚨 v4 必修 — 混淆矩陣行列軸對調鎖死規則】

⚠️ v3 失敗教訓：v3 圖中混淆矩陣的 row / column header 寫相反 — 把「預測類別」放在縱軸（row）、「實際類別」放在橫軸（column），導致 TP / FP / FN / TN 視覺位置全錯。v4 嚴禁重蹈覆轍，鎖死 sklearn 教科書慣例。

✅ 2×2 混淆矩陣 — 行（縱軸 row）= 實際類別 Actual，列（橫軸 column）= 預測類別 Predicted：

|                  | Predicted Positive | Predicted Negative |
|------------------|-------------------|-------------------|
| Actual Positive  | TP（True Positive）| FN（False Negative）|
| Actual Negative  | FP（False Positive）| TN（True Negative）|

嚴禁標反！嚴禁把實際類別放橫軸、預測類別放縱軸！

鎖死格位：
- 左上格 = TP（True Positive）— 實際正 / 預測正（同對角線正確預測）
- 右下格 = TN（True Negative）— 實際負 / 預測負（同對角線正確預測）
- 右上格 = FN（False Negative）— 實際正 / 預測負（漏報正類）
- 左下格 = FP（False Positive）— 實際負 / 預測正（誤報正類）

兩個對角線含義：
- 正確預測對角線（左上 TP + 右下 TN）— 預測與實際一致
- 錯誤預測對角線（右上 FN + 左下 FP）— 預測與實際不一致

【上半 — 混淆矩陣】（占約 35%）
混淆矩陣（Confusion Matrix）2×2 表格：
- 行（縱軸 row）= 實際類別（Actual）、列（橫軸 column）= 預測類別（Predicted）（鐵律，依上方規則鎖死）
- 四格內只能寫：真正（True Positive, TP）/ 假正（False Positive, FP）/ 假負（False Negative, FN）/ 真負（True Negative, TN）
- 嚴禁加「例」字（不寫「真正例」「假正例」「假負例」「真負例」）
- 右側補小註：「P：實際為正類的樣本數；N：實際為負類的樣本數」

【下半 — 5 格指標獨立卡】（占約 60%）
五個橫向或 2+3 排版小卡，每卡完整含「定義 / 公式 / 適用 / 限制 or 目的」：
①Accuracy（準確率）：定義 + 公式 + 適用 + 限制（含 95% 負類例子）
②Precision（精確率）：定義 + 公式 + 適用（垃圾郵件、醫療誤診）+ 目的
③Recall（召回率）：定義 + 公式 + 適用（癌症偵測、詐騙偵測）+ 目的
④F1（F1 分數）：定義 + 公式 + 適用
⑤ROC-AUC：完整 ROC 曲線圖（橫軸 FPR、縱軸 TPR，含 Random classifier 對角線、Better 曲線、Perfect classifier 直角線三條對照）+ AUC = 曲線下面積定義 + 「AUC 越接近 1 模型越好」+ 適用

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

【共通負向約束】
1. 嚴禁畫成其他章節 — 本章是 L23303。
2. 嚴禁過頁鉤子（不寫「見 PXX」「← 上一頁」「→ 下一頁」等指向其他頁面字樣）。
3. 嚴禁右上角頁碼。

輸出檔名：L23303_p09_sec3_2_confusion_matrix_v2.png
```

---

## 張 5：L23303_recap_p02_metrics_selection_summary_v2.png

### Boss 留言（兩個 sidebar notes 合併同頁）
1. `n_1778674952_3b40ed`（2026-05-13T20:22:32）：
   > F1 公式錯了，2不用平方
2. `n_1778675510_6eb63d`（2026-05-13T20:31:50）：
   > 二元分類問題中的混淆矩陣，預測類別以及實際類別寫相反了？

### 失敗動因
recap 同一張圖有兩個錯：① F1 公式分子係數被寫成 2²（平方）— 正確為純數字 2；② 混淆矩陣行列軸標反（同 L23303_p09 v1 錯誤）。

### v2 修正策略（合併修兩錯）
- **第一錯**：F1 = 2 × (P × R) / (P + R)，分子係數是純數字 **2**（**不是 2² = 4**），分母 P + R 兩值相加（**不是 P² + R²**）
- **第二錯**：混淆矩陣行列軸鎖死同 P09 v4 規格（行=Actual / 列=Predicted）

### 完整 Prompt

```
請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示，不要加任何框框或底線。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：混淆矩陣（Confusion Matrix）、正類（Positive）、負類（Negative）、真正（True Positive, TP）、假正（False Positive, FP）、假負（False Negative, FN）、真負（True Negative, TN）、準確率（Accuracy）、精確率（Precision）、召回率（Recall）、F1 分數（F1-Score）、ROC 曲線（Receiver Operating Characteristic）、AUC（Area Under Curve）、均方誤差（Mean Squared Error, MSE）、平均絕對誤差（Mean Absolute Error, MAE）、均方根誤差（Root Mean Squared Error, RMSE）、決定係數（R² Score）、模型殘差平方和（Residual Sum of Squares, RSS）、總變異平方和（Total Sum of Squares, TSS）、類別重加權（Class Weights）、SMOTE（Synthetic Minority Over-sampling Technique）、Isolation Forest、One-Class SVM、NDCG、Profit Score、箱型圖（Boxplot）、平均排名圖（Mean Rank Plot）。

公式符號必須保留：Accuracy = (TP + TN) / (TP + TN + FP + FN)；Precision = TP / (TP + FP)；Recall = TP / (TP + FN)；F1 = 2 · (Precision · Recall) / (Precision + Recall)（分子係數 2 為純數字，無平方；分母 P + R 為兩值相加，無平方）。

不要改寫為其他英文術語，不要省略教材括號中的英文詞；可補充說明，但教材主詞需保留。

左上角標示「L23303」。主標題寫「L23303 章節重點速記 ② 評估指標選擇」（副標：分類看錯誤代價，迴歸看誤差與解釋力）。

【🚨 v2 必修 — 兩處錯誤鎖死規則（合併修）】

⚠️ v1 失敗教訓：boss 抓到兩個錯：① F1 公式分子係數被寫成 2²（平方），正確為純數字 2；② 混淆矩陣行列軸標反（同 L23303_p09 v1 錯誤）。同一張圖兩個錯，v2 合併修正。

✅ 第一錯：F1 公式鎖死規則：

F1 公式必須準確呈現為：

F1 = 2 × (P × R) / (P + R)

- 分子：2 × P × R（係數是純數字 2，不是 2² = 4）
- 分母：P + R（兩值相加，不是 P² + R²）

嚴禁寫成：
- F1 = 2² × P × R / (P+R) — 係數錯誤平方
- F1 = 2 × P × R / (P² + R²) — 分母錯誤平方
- F1 = (2 × P × R)² / (P + R) — 分子整體錯誤平方
- 任何在 2、P、R 任一處加平方符號的形式

手寫公式框內必須準確呈現「2 × Precision × Recall ÷ (Precision + Recall)」的形式。

✅ 第二錯：混淆矩陣行列軸鎖死規則（同 L23303_p09 v4 規格）：

2×2 混淆矩陣 — 行（縱軸 row）= 實際類別 Actual，列（橫軸 column）= 預測類別 Predicted：

|                  | Predicted Positive | Predicted Negative |
|------------------|-------------------|-------------------|
| Actual Positive  | TP（True Positive）| FN（False Negative）|
| Actual Negative  | FP（False Positive）| TN（True Negative）|

嚴禁標反！嚴禁把實際類別放橫軸、預測類別放縱軸！

鎖死格位：
- 左上格 = TP（同對角線正確預測：實際正 / 預測正）
- 右下格 = TN（同對角線正確預測：實際負 / 預測負）
- 右上格 = FN（同對角線錯誤預測：實際正 / 預測負）
- 左下格 = FP（同對角線錯誤預測：實際負 / 預測正）

版面採「左分類、右迴歸、底部綜合評估」三區，整體像考前速記筆記，文字要少但表格清楚。

【一句話結論】寫：「指標選擇要先問任務與錯誤代價；Accuracy、Precision、Recall、F1、ROC-AUC、MAE、RMSE、R² 各自回答不同問題。」

【核心概念】左上畫 Confusion Matrix 小表（按上方鎖死規則：行=Actual / 列=Predicted，TP 在左上、TN 在右下、FN 在右上、FP 在左下），旁邊手寫公式框：
- Accuracy = (TP+TN) / (TP+TN+FP+FN)
- Precision = TP / (TP+FP)
- Recall = TP / (TP+FN)
- F1 = 2 × Precision × Recall / (Precision + Recall)（分子係數 2 為純數字，無平方；分母 P+R 相加，無平方）

右上畫迴歸誤差尺：MSE 放大大誤差、MAE 對異常值較不敏感、RMSE 回到原單位、R² 解釋變異能力。

【易混淆比較表】中段畫 5 列表格，欄位為「易混淆概念 / 差異 / 常見誤解 / 多選題干擾項」：
1. Accuracy vs F1-Score：整體正確率 / Precision 與 Recall 調和平均；誤解為類別不平衡時 Accuracy 仍可靠；干擾項寫「95% 負類全猜負就代表模型好」。
2. Precision vs Recall：預測為正的可信度 / 抓住實際正類的能力；誤解為兩者分母相同；干擾項寫「漏診代價高時優先 Precision」。
3. FP vs FN：誤報正類 / 漏報正類；誤解為兩者都是模型預測正類錯誤；干擾項寫「癌症偵測最怕 FP 而非 FN」。
4. MSE vs MAE vs RMSE：平方懲罰 / 絕對誤差 / MSE 開根號同單位；誤解為 MAE 最容易受極端值影響；干擾項寫「RMSE 沒有大誤差懲罰特性」。
5. R² Score vs 誤差指標：解釋變異比例 / 預測誤差大小；誤解為 R² 可跨任務直接比較；干擾項寫「R² < 0 代表模型一定沒有過擬合」。

【考點提醒】底部左側用紅橘標註：Precision 適合誤報正類代價高；Recall 適合漏報正類代價高；ROC-AUC 代表所有可能閾值下的整體區分能力；模型比較不可只依賴單一指標。

【我最容易忘記的地方】底部右側暖黃色框寫：「Recall 正確公式是 TP/(TP+FN)，重點是實際正類中抓到多少；類別不平衡時 Accuracy 最容易誤導；F1 分子係數是 2 不是 2²，分母是 P+R 不是 P²+R²。」

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

【共通負向約束】
1. 嚴禁畫成其他章節 — 本章是 L23303。
2. 嚴禁過頁鉤子（不寫「見 PXX」「← 上一頁」「→ 下一頁」等指向其他頁面字樣）。
3. 嚴禁右上角頁碼。

輸出檔名：L23303_recap_p02_metrics_selection_summary_v2.png
```

---

**艾冉只負責生圖。** 產完 5 張就 stop。