案例09｜Table 8.2：89% Accuracy、85% Precision、87% Recall、MAE 0.12、RMSE 0.15

一、案例定位

本案例依原書 8.4.3、Table 8.2 整理。

整理 Proposed Dynamic Generative AI Framework 的 Overall Performance。

二、學習目標

掌握 Table 8.2 中可可靠確認的主要指標。
區分 Classification Metric 與 Error Metric。
理解 Training Time、Scalability、Interpretability、Ethics 不是同一量綱。

三、案例情境

原書在 General Analysis 中報告 Proposed Framework Accuracy 89%、Precision 85%、Recall 87%、MAE 0.12、RMSE 0.15，並指出 GPU Training Time 約 3 小時，具有 High Scalability、Quick Inference、High Interpretability、Reduced Bias 與 GDPR Compliance，但仍需 Continuous Auditing。

四、開始資料

指標	原書值／描述	用途
Accuracy	89%	Overall Prediction Performance
Precision	85%	False-positive Control
Recall	87%	Trend Detection Coverage
MAE	0.12	Average Absolute Forecast Error
RMSE	0.15	Penalize Larger Error
Training Time	3 h on GPU	Update／Retraining Practicality
Ethics	Reduced Bias、GDPR-compliant	Responsible Deployment

五、Excel／AI 分析方法

Excel 應分開儲存 Classification、Forecast Error、Operational、Governance Metric；AI 可協助解釋，但不能把 MAE 0.12 轉成 12% 除非來源另有 Scale 定義。

六、計算結果

原書直接報告上述值；未提供所有指標的完整計算公式或 Evaluation Dataset Size。

七、結果分析與管理解讀

89% Accuracy 與 Fig. 8.4 中 Hybrid 約 1.00 的描述屬不同呈現口徑，應分開保存，而不是自行平均或統一。

八、AI 提問詞

請把 Table 8.2 的 Accuracy、Precision、Recall、MAE、RMSE、Training Time、Ethics 分類整理；若與 Fig. 8.4 的近似值不同，標記為不同來源呈現，不自行調和。