實務分析 5.1。
理解預測建模、交叉驗證、模型比較與領域專家驗證在醫療研究中的作用。
原書整理多項癌症存活率研究，以大型醫療資料比較不同預測模型。
| 研究 | 資料規模／方法 | 原書結果 |
|---|---|---|
| 前列腺癌 | 約 120,000 筆紀錄、77 個變數；決策樹、人工神經網路、支援向量機、羅吉斯迴歸 | 支援向量機測試準確率 92.85% |
| 乳癌 | 超過 200,000 個案例；10 折交叉驗證 | C5 93.6%、人工神經網路 91.2%、羅吉斯迴歸 89.2% |
比較決策樹、人工神經網路（Artificial Neural Network, ANN）、支援向量機（Support Vector Machine, SVM）與羅吉斯迴歸，並使用 k 折／10 折交叉驗證 評估。
前列腺癌研究：支援向量機測試準確率 92.85%。乳癌研究：C5 決策樹 93.6%、人工神經網路 91.2%、羅吉斯迴歸 89.2%。
高預測準確率不代表模型可以脫離醫療專業。原書強調發現的模式必須由醫療專業人員判斷是否合乎邏輯、可採取行動且具有新穎性。
比較原書癌症研究中的模型結果，只使用案例提供的準確率，並說明為何不能僅憑準確率直接形成醫療決策。
問題： 若另一模型準確率稍低但更容易解釋，是否必然較差？
參考解答： 原書沒有提供此情境的最終選擇；管理上仍需結合 可解釋價值、領域驗證 與研究目的。