---
title: "偏差（Bias）"
slug: bias
language: zh-TW
source: https://aiterms.tw/terms/bias
updated_at: 2026-07-29
tags: [模型訓練, 模型評估, AI倫理與治理]
ipas_term: true
---

# 偏差（Bias）

> **模型老是偏向同一邊，不管資料怎麼變都差不多往那個方向錯，這算什麼問題？**
> 你可以把偏差想成系統性偏離真相的傾向，像箭一直射同一邊。
> 它可能來自資料不平衡、模型太簡單，或設計上本來就有偏向。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **偏差 vs 方差？**
> 偏差：系統性地往某方向錯
> 方差：對不同資料很不穩定
> 最關鍵的區別：偏差看方向一致，方差看穩不穩
>
> **偏差 vs 誤差？**
> 偏差：有時也會指公平性偏見
> 誤差：泛指預測和真值的差距
> 最關鍵的區別：在模型評估和公平議題裡，偏差的語意不完全一樣
>
> **偏差 vs 過擬合？**
> 偏差：常和欠擬合有關
> 過擬合：模型把訓練資料記太熟
> 最關鍵的區別：偏差高常是學不夠，過擬合則是記太多
### 記住這句就好

> 每次都往同一邊錯，多半就是偏差高
### 實際案例

> **貸款審核**
> 模型對某些族群總是偏嚴格，這可能是資料分布或特徵設計造成的偏差
>
> **影像辨識**
> 如果訓練資料幾乎都來自白天，模型一到夜間就一直判錯，也是一種系統性偏差
### iPAS 考題

> **Q：偏差和方差有什麼不同？**
> 偏差是系統性錯誤，方差是對不同資料的敏感程度。
>
> **Q：偏差高通常代表什麼？**
> 通常代表模型太簡單或學習不足，容易欠擬合。
### 算法與應用

> | 重點 | 你要看什麼 | 為什麼重要 |
> |---|---|---|
> | 來源 | 資料、模型、流程 | 偏差不一定只來自模型本身 |
> | 偵測 | 群體比較、誤差分析 | 要看是不是某些族群特別受影響 |
> | 修正 | 補資料、改特徵、調模型 | 降低系統性偏離 |

### 三種 bias 不要搞混

> Bias 是 AI 領域最容易誤解的字之一，因為它在三個不同層次上各有一個意思，中文翻譯也不一樣。

| 場合 | 英文 | 中文 | 指的是什麼 |
| --- | --- | --- | --- |
| 統計與模型評估 | bias | 偏差 | 模型的系統性誤差，跟變異數（variance）成對出現 |
| 公平性與倫理 | bias | 偏見 | 模型對特定族群產生不公平的結果 |
| 神經網路結構 | bias term | 偏置項 | 每個神經元加的那個常數，跟權重一起被訓練 |

> **第一種，統計偏差。** 出現在偏差與變異數權衡（bias-variance tradeoff）裡。偏差高代表模型太簡單、抓不住資料的真實規律，也就是欠擬合。用線性模型去配一條明顯彎曲的關係，就是典型的高偏差。
>
> **第二種，演算法偏見。** 這是資料或流程造成的不公平。招募模型因為歷史資料裡某性別錄取率較低，就學會壓低該性別的分數，這叫偏見，不是統計上的偏差。處理方式也完全不同，前者要換模型，後者要檢查資料來源、標註流程與評估切面。
>
> **第三種，偏置項。** 純粹是數學上的一個可學習常數，讓函數不必通過原點。它跟前兩種完全沒有關係，只是剛好同名。
>
> 讀文獻或跟人討論時，先確認講的是哪一種。這三個東西的成因、量測方式與解法沒有一項相同。

### 情境判斷

> **Q1：訓練和測試都很差，而且錯誤方向很一致，這更像偏差還是方差？**
> → 更像偏差，因為它是系統性地錯在同一邊
>
> **Q2：如果模型在不同資料上忽高忽低，但平均來看不一定偏一邊，這更像什麼？**
> → 更像方差，因為不穩定性比固定方向的錯誤更明顯
### 常見問題

> **Q：偏差一定是壞事嗎？**
> 不一定。某些情境下適度偏差能換來更穩定的模型。
>
> **Q：要怎麼降低偏差？**
> 通常要從更多資料、更好的特徵或更有表達力的模型下手。
>
> **Q：公平性偏差和統計偏差一樣嗎？**
> 不完全一樣，前者更關心不同群體是否受到不公正對待。
### 相關術語

> - **公平性**：偏差常牽涉到公平性
> - **欠擬合**：高偏差常與欠擬合同時出現
> - **過擬合**：要和偏差一起看，才能理解 bias-variance 取捨

---

來源：https://aiterms.tw/terms/bias
快查頁：https://aiterms.tw/terms/bias
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-bias