JOVANA
Explore Library Glossary Getting Started Three Levels Fields How it works Mission
Join the mission
All guides

準確度 = 條件 × 穩定性

這是本級的收尾：一條短短的式子把「問題本身」和「演算法」的所有道理綁在一起，讓你在答案出錯時，準確指出該怪誰——以及哪一種錯，是你怎麼怪都怪不掉的。

把本級串起來

在前四篇裡，我們建立了兩把完全各自獨立的尺。一把屬於問題：條件性問的是，當輸入被輕推一下，真正的答案會跑多遠，而條件數 kappa 就替這份敏感度標上數字——良態或病態是「問題」的性質，不是你程式碼的性質。另一把屬於演算法：穩定性問的是，你那一串特定的浮點步驟，有多忠實地貼著精確計算走，而後向穩定就是黃金標準——它表示你算出的答案，正好是某個被輕微擾動過的輸入的精確答案。

我們之所以一直把這兩個觀念分開，是因為它們最後會扣在一起，合成一句話。條件性衡量的是問題會把任何擾動放大多少。後向穩定的演算法則保證，它自己引入的擾動是極小的。把這兩件事串聯起來，你就得到本級一路爬向的那條規則——那條能預測你實際留得住幾位數的、短短的不等式。

主規則

就是這句話，請把它帶出本級：一個計算結果的相對前向誤差，至多等於條件數乘上相對後向誤差。前向誤差是你真正在乎的——答案錯了多少。後向誤差是好演算法能掌控的——要把輸入挪多遠，才能讓你的答案剛好正確。條件數則是兩者之間的匯率。這就是把「準確度 = 條件 × 穩定性」原理壓成一行。

  forward error   <=   condition number   x   backward error
  (answer wrong)        kappa (the PROBLEM)     (algorithm slip)

  relative                                       ~ machine epsilon
  forward error  <=         kappa          x      (if BACKWARD STABLE)
                                                   ~ 1e-16  (double)

  example:  kappa ~ 1e8 ,  backward error ~ 1e-16
            => forward error  <=  1e8 x 1e-16  =  1e-8
            => keep ~8 of your ~16 digits ; the other ~8 are gone
一個畫面看完整級。後向穩定的演算法把後向誤差釘在機器 epsilon 附近；條件數接著決定最壞情況的前向誤差。當 kappa ~ 1e8 時，你會丟掉約 16 個雙精度位數中的 8 個——而且不是程式碼的錯。

現在來看代入一個後向穩定演算法的魔力。它的後向誤差被壓在約機器 epsilon——在雙精度裡大約是 1e-16。於是不等式塌縮成：相對前向誤差至多等於 kappa 乘上 1e-16。演算法已經盡了它能做的一切；剩下的純粹是條件性。這正是你先前見過的經驗誤差界，也是為什麼一個接近 1e8 的條件數，會在你開始解讀結果之前，就悄悄吃掉約 16 個有效位數中的 8 個。

四種情況，兩個旋鈕

因為準確度是兩個因子的乘積，你能落腳的角落恰好有四個，而且認出自己在哪個角落，就完成了一半的除錯。把條件性和穩定性想成兩個各自獨立的旋鈕；只有當兩個旋鈕都轉對方向時，答案才會好。

  1. 良態問題 + 穩定演算法：最幸福的情況。kappa 小、後向誤差又接近 epsilon，所以前向誤差也接近 epsilon。你付了多少位數，就拿到多少位數。
  2. 良態問題 + 不穩定演算法：是你自己的錯，而且可以修。問題本身沒問題，但某個粗心的步驟（想想災難性抵消）注入了很大的後向誤差。改寫公式或換掉演算法，準確度就回來了。
  3. 病態問題 + 穩定演算法：誠實的損失。程式碼無罪、後向誤差接近 epsilon，但 kappa 巨大——所以前向誤差還是很大。沒有任何軟體小技巧能救你；唯有改變問題（重新表述、正則化、加精度）才有用。
  4. 病態問題 + 不穩定演算法：兩種壞處兼得，也最容易誤診——光看那個錯誤答案，你分不出是問題的錯還是程式碼的錯，除非你把兩個旋鈕分開來看。

為什麼完美的演算法仍會失敗

情況 3 值得我們停下來坐一會兒，因為它推翻了一個讓人安心的直覺。你也許會以為，只要程式碼沒有錯、數值上又謹慎——完全後向穩定——那答案就一定準確。主規則說：不。穩定性只界住後向誤差；前向誤差是那個界乘上 kappa。當 kappa 大得驚人時，就連無瑕的演算法，交回來的前幾位數也是垃圾——而且它真的是某個問題的正確答案，只是那個問題和你問的那個，差了一個捨入誤差。

一個具體畫面：解 A x = b，而 A 嚴重病態，比方說一個 Vandermonde 或類 Hilbert 矩陣，帶著很大的矩陣條件數。跑一個教科書級的穩定解法器，殘差 ||A x_computed - b|| 算出來極小——演算法是清白的——但 x_computed 可能從第一位數就和真正的 x 不同。從 b 到 x 的映射會把誤差拉伸 kappa(A) 倍，而沒有任何解法器的選擇能把它拉回去。順帶一提，這也部分解釋了為什麼你很少真的去算 A 的反矩陣來解 A x = b：明確地對一個病態矩陣求逆，是在放大傷害，而不是迴避它。

與這條規則共處

因為你能掌控的永遠只有兩個因子中的一個，你的策略也沿著同一條縫一分為二。你把演算法變好，靠的是選一個後向穩定的方法，並避開那些會摧毀數值穩定性的操作——但這頂多把後向誤差壓向 epsilon，永遠贏不過條件數。要再進一步，你就得改變問題：重新表述它、正則化它、把變數重新縮放，或退回更高的精度，讓 epsilon 本身變小，買回一些丟掉的位數。

同時，請把整門學問那個誠實的框架放在眼前。每個數值答案都是近似值；浮點數運算不是精確的實數運算——0.1 沒有精確的二進位形式，加法甚至不滿足結合律。「準確度 = 條件 × 穩定性」這條規則，是一面透鏡，告訴你對任何一次給定的計算，那份無可避免的近似有多少能存活到最後。它不保證你會得到好答案。它保證你會得到一份對「誤差從哪來」的誠實帳目——而正是這份帳目，讓你能採取行動，而不是瞎猜。