.png?table=collection&id=2ba70f01-9634-81f4-8376-000b1aff7bf1&t=2ba70f01-9634-81f4-8376-000b1aff7bf1)
L113︱機器學習全景圖：從演算法圖鑑、訓練優化到 MLOps 維運
字數 6257閱讀時間≈ 16 分鐘
type
status
date
slug
summary
tags
category
icon
password
前言
這篇文章是我在準備「iPAS AI 規劃師初級」時留下的筆記。
在 L112 中，我們已經完成了資料的收集、清洗與隱私合規，確保手上的素材是乾淨可用的。
但我發現，很多人（包括我自己）在剛接觸 AI 時，最容易迷失在各種演算法的英文縮寫裡。AI 不是魔法，它是統計學與算力暴力美學的結合。 若要真正理解 AI，不必先懂微積分，但要懂它「如何從錯誤中學習」。
我按照官方學習指引科目一（L113）的架構將內容重組，進行了一些必要的刪減，並加入了一些圖解與輔助說明，希望能讓準備考試的人可以快速建立架構，也讓第一次接觸 AI 的人能在短時間抓到全貌。
📝 更新日誌 (Changelog)
2025.12.19｜
v2.0 - 全文優化：重組段落並優化文字結構，提升易讀性。
機器學習到底是在「學」什麼？
其實就跟人類學習一樣。想像你在教貓咪把混亂的毛線球分類整理好，這個「從混亂到有序」的過程，就是機器學習。
第一部分：建模前的最後準備
AI 不是超級聰明嗎？為什麼資料科學家還要花 80% 的時間在幫它「洗菜切肉」（資料前處理）？
因為 AI 就像大胃王，給它什麼就吃什麼。如果餵的是垃圾（Garbage In），它吐出來的一定也是垃圾（Garbage Out）。沒有好食材，米其林主廚也救不了這道菜。
1. 資料探索與分析 (EDA)
目的：在還沒跑模型前，先用統計圖表「看」出資料的長相與壞壞的地方。
圖表工具 | 用途與考點 |
直方圖 (Histogram) | 看 資料分佈 (Distribution)。判斷是否有偏態，決定是否需做對數轉換 (Log Transform)。 |
散佈圖 (Scatter Plot) | 看 兩變數關係。是不是線性的？有沒有 離群值 (Outliers)？ |
箱型圖 (Box Plot) | 抓 異常值。超過「上下四分位距 (IQR)」的就是異常點。 |
熱力圖 (Heatmap) | 看 相關性 (Correlation)。如果兩個特徵顏色太深 (相關性太高)，可能有 多重共線性 問題，要刪掉一個。 |
特徵欄位不是越多越好嗎？為什麼要注意相關性太高的欄位？
這就是 「多重共線性 (Multicollinearity)」。就像同時記錄「體重(公斤)」和「體重(磅)」，這兩個欄位其實在講同一件事。在 EDA 階段，我們要先觀察出這些「重複資訊」，後續建模時才好處理。
2. 偏誤偵測 (Bias Detection)
AI 會不會歧視人類？
很遺憾，會。如果它的教科書（訓練資料）本身就充滿了人類社會的偏見，AI 學出來當然也會帶有有色眼鏡。
- 樣本偏誤 (Sampling Bias)：取樣不均。例：訓練資料 90% 是男性，導致模型認不出女性。
- 標籤偏誤 (Label Bias)：標註者本身有偏見。
- 特徵偏誤 (Feature Bias)：用了敏感特徵（如種族、郵遞區號）。
發現資料有偏見怎麼辦？難道要把辛苦收集的資料丟掉重來？
當然不用。這就是 「資料去偏 (Debiasing)」 的技術主場。就像營養師調整菜單一樣，我們可以透過 遮蔽敏感特徵 或 調整樣本權重 等技術手段來修正，而不必炸掉廚房。
3. 資料分割 (Data Splitting)
既然資料這麼珍貴，為什麼不全部梭哈拿去訓練，讓模型學越多越好？
因為我們不希望模型只是「死背答案」。為了確認它真的學會了邏輯，我們必須像學校老師一樣，故意把一部分的考卷（測試集）藏起來，等它讀完書再來考它，這樣才準。
目的：驗證模型是否具有 泛化能力 (Generalization)，而非單純記憶訓練資料。我們不能讓學生（模型）看著答案卷（測試集）考試。
- 訓練集 (Training Set, 70-80%)：課本。用來調整權重 (Weights)。
- 驗證集 (Validation Set, 10-15%)：模擬考。用來調整 超參數 (Hyperparameters)、選模型。
- 測試集 (Test Set, 10-15%)：大考。完全沒看過的資料，用來做最終評估。
交叉驗證 (Cross Validation)：
- K-Fold：把資料切 K 份，輪流當驗證集。
- 優點：資料少時特別好用，能避免模型「剛好」只對某區段資料熟練。
第二部分：演算法完全圖鑑
然現在都有強大的 ChatGPT (Transformer) 了，為什麼我們還要學那些幾十年前的「線性回歸」或「決策樹」？
這就像殺雞焉用牛刀。如果你只是要預測飲料店明天的銷量，用核子彈級的深度學習模型，不僅浪費算力，還會讓你完全看不懂它為什麼這樣預測（缺乏可解釋性）。世界的問題形狀各不相同，我們需要不同的工具。
🟢 監督式學習 (Supervised)
1. 線性與邏輯家族：從預測數值到分類
- 線性回歸 (Linear Regression)
- 核心原理：這是最直觀的統計方法，尋找一條最佳擬合直線來預測連續數值。
- ⚠️ 關鍵限制：僅能處理 線性關係，對 離群值 極為敏感，容易被異常點拉偏。
- 💡 實例：預測房價、預測氣溫、預測產品銷售量。
- 邏輯回歸 (Logistic Regression)
- 為什麼需要它？：當我們不想預測具體數字（如房價），而是想預測「是或否」（如會不會買房）時，直線就不管用了。我們需要將輸出壓縮到 0 與 1 之間。
- 核心原理：透過 Sigmoid 函數將輸出壓縮至 0~1 之間，代表 機率。主要用於 二元分類。
- ⚠️ 關鍵概念：雖然名稱含「回歸」，但本質是用於 二元分類 任務。
- 💡 實例：判斷郵件是否為垃圾信、客戶是否違約、腫瘤是良性或惡性。
- Lasso / Ridge 回歸
- 核心原理：為了避免模型太鑽牛角尖（過擬合），我們在損失函數中加入 正則化 (Regularization) 項，給模型一點「懲罰」。
- ⚠️ 特性比較：→
- Lasso (L1)：傾向將係數壓縮至 0 → 具備 特徵選擇 功能。
- Ridge (L2)：傾向將係數變小但不為 0 → 著重於 防止過擬合。
2. 決策樹與隨機森林：從規則到民主投票
AI 如果不套公式，還能怎麼做決定？
就像我們畫流程圖一樣：一個問題接一個問題問下去（決策樹）。如果怕一個人想不周全，那就找一群人來投票（隨機森林）。
- 決策樹 (Decision Tree)
- 核心原理：樹狀決策結構 (If-Then)。透過資訊增益 (Information Gain) 或 Gini 係數決定分割點。
- ✅ 優點：直觀易懂、可視化清楚、能處理數值與類別資料
- ⚠️ 缺點：
- 決策樹在訓練時會不斷切割資料，直到幾乎每個葉節點只剩少量樣本，導致「記太多細節」。
- 結果就是：在訓練資料上準確率超高，但面對新資料時表現變差（泛化能力差）。
- 💡 優化：需進行 剪枝 (Pruning) 或限制深度。
- 實例：銀行貸款審核（年薪 > 100萬？→ 有房產？→ 核准）。
- 隨機森林 (Random Forest)
- 為什麼需要它？：單一棵樹容易犯錯（過擬合），但如果種一片森林，讓每棵樹都發表意見，結果就會穩定很多。這就是 Bagging 的智慧。
- 核心原理：Bagging 技術。建立多棵決策樹，透過 投票 (Voting) 決定最終結果。
- 隨機抽樣（Bootstrap Sampling）：每棵樹用不同的樣本子集訓練。
- 隨機特徵選擇（Random Feature Selection）：每次分割時只看部分特徵，避免樹之間過於相似。
- ⚠️ 關鍵特性：模型龐大、預測速度較慢。但穩定性高，抗雜訊能力強，不需繁瑣的特徵工程。
- 💡 實例：信用評分、欺詐檢測。
3. 距離與機率家族：尋找鄰居與畫出界線
當數據全部混在一起，要怎麼把它們切開？
兩種思路：要在中間畫一條最寬的馬路來分隔（SVM），不然就是看它住在誰隔壁（KNN）。
- KNN (K-Nearest Neighbors, 最近鄰演算法)
- 核心原理：「物以類聚」。給定一筆新資料，它會去找「訓練集中與它最接近的 K 個資料點」，再根據這些鄰居的標籤來預測新資料的類別。
- K 值過小 → 易受雜訊干擾 (過擬合)。
- K 值過大 → 邊界模糊 (欠擬合)。
- 限制：計算成本隨資料量線性增長。
⚠️ 關鍵參數 (K)：
💡 實例：簡易推薦系統（找出跟你看過一樣電影的 K 個人，看他們還喜歡什麼）。
- 樸素貝葉斯 (Naive Bayes)
- 核心原理：基於「貝氏定理」的機率分類，假設特徵彼此獨立，依各特徵出現機率來預測最可能的類別。
- ⚠️ 關鍵特性：雖然獨立假設過於理想化，但在 文本分類 (如垃圾郵件、情感分析) 表現優異且運算極快。
- 💡 實例：垃圾郵件過濾（出現 "中獎" 且 "免費" 的機率）、新聞分類。
- SVM (支持向量機)
- 核心原理：尋找能將類別區分開且 邊界 (Margin) 最大化 的超平面。
- 直觀理解：想像有兩群人正在爭吵，你想在他們中間拉一條警戒線。最好的線不是隨便畫一條，而是要讓雙方離那條線盡量遠一點，這樣最安全。
- 這條線就是「最優超平面（Optimal Hyperplane）」，而離這條線最近的那些點，就叫做「支援向量（Support Vectors）」，因為正是它們決定了這條界線的位置。
- ⚠️ 關鍵技巧：Kernel Trick (核技巧)。將資料映射至高維空間以解決 非線性 分類問題。
- 💡 實例：手寫數字辨識 (MNIST)、生物特徵分類。
4. 類神經網路 (Neural Networks)
如果我的資料特徵很難定義（例如怎麼形容貓的長相），根本沒有「欄位」怎麼辦？
當傳統演算法無能為力，無法用簡單的數學公式描述時，我們就需要模仿大腦的神經網路結構了。它會像大腦一樣，從線條、形狀到輪廓，層層拆解影像的特徵。
- CNN (卷積神經網路)
- 適用場景：影像辨識、電腦視覺。
- ⚠️ 關鍵結構：卷積層 (提取特徵) + 池化層 (降維/保留特徵)。
- 💡 實例：FaceID 人臉解鎖、自動駕駛路標辨識、醫療 X 光片判讀。
- RNN / LSTM (遞迴神經網路)
- 適用場景：序列資料 (文字、語音、時間序列)。
- ⚠️ 關鍵結構：具備記憶能力。LSTM 透過閘門機制解決了傳統 RNN 的 梯度消失 問題，適合長序列。
- 💡 實例：語音輸入法、股市趨勢預測。
- Transformer
- 適用場景：NLP 自然語言處理 (BERT/GPT)。
- ⚠️ 關鍵技術：自注意力機制 (Self-Attention)。它不再像 RNN 逐字閱讀，而是能一次看完整句，捕捉長距離依賴關係，是現代大型語言模型的基石。
- 💡 實例：Google 翻譯、ChatGPT、Copilot 程式碼生成。
🔵 非監督式學習 (Unsupervised)
如果連標準答案都沒有，電腦還能學東西嗎？
可以。它會發揮「物以類聚」的本能，把長得像的東西擺在一起，這就是分群。
- K-Means 分群
- 核心原理：以距離為基準，將資料分為 K 個群。需預先指定 K 值。
- ⚠️ 關鍵限制：需預先指定 K 值、對離群值敏感、僅適合球狀分佈。
- 💡 實例：會員分級（金卡/銀卡/普卡）、T恤尺寸制定（S/M/L）。
- DBSCAN 分群
- 核心原理：基於密度的分群。不需指定群數，能識別並排除 雜訊 (Noise)。
- 💡 實例：信用卡盜刷偵測（刷卡地點密度異常）、地理軌跡分析。
- PCA (主成分分析)
- 核心原理：透過線性投影，找出資料變異量最大的方向。
- ⚠️ 關鍵用途：降維 (Feature Reduction)。把複雜的高維資料壓縮，只保留最重要的特徵，以便運算或視覺化。
- Apriori (關聯規則)
- 核心原理：挖掘頻繁項目集 (Frequent Itemsets)。
- ⚠️ 關鍵指標：
- Support (支持度)：出現頻率。
- Confidence (信賴度)：條件機率 (買A則買B)。
- Lift (提升度)：相關性強度 (Lift > 1 表示正相關)。
- 💡 實例：超市購物籃分析（啤酒與尿布）、電商「買這商品的人也買了...」。
🟣 強化學習 (Reinforcement Learning)
怎麼教機器人像生物一樣學走路？
這就像是在教寵物或訓練小孩，摔倒就扣分，走穩就給糖吃（獎勵）。讓它為了想吃糖，自己去試出走路的方法。
- 核心原理：
- 學習過程是通過試錯 (Trial-and-Error) 進行的，智能體根據行動後獲得的獎勵（或懲罰）來調整其策略 (Policy)，即在特定狀態 (State) 下選擇何種行動的規則。
- 智能體 (Agent) 在環境中亂試。
- 做對了給 Reward (獎勵)，做錯了給懲罰。
- 目標是最大化長期的累積獎勵。
- ⚠️ 探索與利用 (Exploration vs. Exploitation)：
- 探索：試試新招，雖然可能會輸，但也可能發現新大陸。
- 利用：用這招既然會贏，就一直用這招，穩拿分數。
- 如何在兩者間取得平衡，是強化學習的難題。
- 💡 實例：AlphaGo 圍棋、機器人學走路、自動駕駛決策。
- 常見演算法：
- Q-Learning：用表格 (Q-Table) 記錄「狀態 × 行動」的價值，查表找最佳解。
- Deep Q-Network (DQN)：用 類神經網路 取代 Q-Table，能處理複雜畫面 (如玩 Atari 遊戲)。
第三部分：模型訓練與優化策略 (Training & Optimization)
我們沒有寫下任何一行
if-else 的規則，電腦到底是憑什麼學會認出貓咪的？它的學習過程其實跟人類小孩一模一樣：不斷地「猜測」、被「打分數」、然後「修正」。
注意：本節內容（反向傳播、優化器、Epoch）主要描述 類神經網路 (Deep Learning) 的訓練機制。
1. 內層循環：模型訓練流程 (The Training Loop)
模型是怎麼變聰明的？
只要五個步驟：猜題 → 算分 → 檢討 → 改正 → 重複再練。
此過程在固定的超參數設定下，透過多次迭代 (Epochs) 更新模型權重，以最小化損失函數。
步驟 | 名稱 | 做什麼 | 說明 |
1 | 前向傳播
(Forward Propagation) | 將輸入資料傳入模型，經過層層神經元運算，輸出預測值。 | 寫考卷。將資料輸入模型，算出一個預測結果。 |
2 | 計算損失
(Loss Calculation) | 比對預測值與真實答案，算出誤差（例如 MSE、Cross Entropy）。 | 打分數。比對預測結果與標準答案，算出差距 (Loss)。 |
3 | 反向傳播 (Backpropagation) | 算出每個權重對誤差的影響（梯度）。 | 檢討錯題。找出是哪個環節（權重）導致了錯誤，算出每個權重該負的責任（梯度）。 |
4 | 梯度下降
(Gradient Descent) | 實際執行權重的加減，讓模型下次預測更準。 | 訂正觀念。根據梯度，實際去調整權重，讓下次預測更準。 |
5 | 重複多輪
(Epochs) | 多次重複 1~4 步，直到模型收斂。 | 題海戰術。重複上述步驟成千上萬次，直到分數不再進步。 |
2. 外層循環：超參數調整 (Hyperparameter Tuning)
既然模型會自己學「參數」，那人類工程師要幹嘛？
人類要負責設定「超參數」。這就像老師雖然不能幫學生考試，但要負責制定「讀書計畫」（例如要讀幾遍、讀多快），這些就是超參數。
有些參數是模型自己學不到的（例如：一次要讀幾本書、學習速度要多快），這些稱為 超參數 (Hyperparameters)，需要人類工程師來設定與調整。
步驟 | 名稱 | 做什麼 | 舉例 |
1 | 設定超參數 (Hyperparameter Setting) | 人工指定無法被訓練的參數（如結構、學習率）。 | 設定學習率 0.01、Batch Size 32、層數 5 層。 |
2 | 執行訓練 (Execute Training) | 使用設定好的參數，跑完上面的「內層循環」。 | 開始跑 50 個 Epochs，觀察 Loss 下降。 |
3 | 驗證評估 (Validation) | 用沒看過的「驗證集」考試，看模型是否過擬合。 | 訓練集 99分，驗證集只有 70分 → 過擬合。 |
4 | 調整超參數 (Hyperparameter Tuning) | 根據驗證結果修改設定，重新開始。 | 降低學習率，增加 Dropout 層。 |
5 | 重複流程 (Iterate) | 不斷嘗試不同組合，直到找到最佳解。 | 使用 Grid Search 自動跑 100 組設定。 |
🔁 重複整個流程：不斷迭代直到找到在驗證集上表現最好的超參數組合。
3. 關鍵元件：損失函數 (Loss Function)
模型只是一堆數學公式，它怎麼知道自己現在是「做對」還是「做錯」？
這就需要一個嚴格的裁判——損失函數。
損失函數就是模型的「計分板」或「藤條」。它告訴模型：你現在錯得有多離譜。
衡量模型預測誤差的標準，依任務類型選擇。
- MSE (均方誤差)
- 用途：回歸任務（預測連續數值）。
- 定義：計算預測值與真實值差值的平方平均。對大誤差較敏感。
- 💡 說明：對大誤差非常嚴厲（平方倍懲罰），迫使模型修正離譜的錯誤。
- MAE (平均絕對誤差)
- 用途：回歸任務。
- 定義：計算預測值與真實值差值的絕對值平均。對離群值容忍度較高。
- 💡 說明：對誤差一視同仁，適合雜訊較多的資料。
- Cross Entropy (交叉熵)
- 用途：分類任務（預測機率）。
- 定義：衡量兩個機率分佈（預測分佈 vs 真實分佈）的差異。
- 💡 說明：若模型對正確類別的預測機率越低（越沒信心），產生的 Loss 就會呈指數級上升。
4. 關鍵元件：反向傳播 (Backpropagation) 問題
為什麼有時候練了很久，模型卻一點長進都沒有？
可能是因為「訊號」傳不回去。就像公司層級太多，基層永遠收不到高層的指令（梯度消失），或者是指令太強烈讓執行層崩潰（梯度爆炸）。
在深度學習中，「檢討錯題」的訊號（梯度）有時傳不到最前面的層級，導致學習失敗。
- 反向傳播：
- 計算損失函數（Loss Function）相對於網路中所有參數（權重和偏差）的偏導數（梯度）。
- 藉由計算出的梯度，指導優化演算法如何調整這些參數。
- 最終目標是最小化整體損失，讓神經網路得以從錯誤中學習並調整自身。
雖然反向傳播是核心機制，但在深層網路中容易遇到問題：
- 梯度消失 (Vanishing Gradient)
- 現象：誤差往前傳遞時數值越來越小，導致前端層級的權重幾乎不更新，學不到特徵。
- 原因：層數太深，或使用導數值較小的激活函數 (如 Sigmoid/Tanh)。
- 解法：使用 ReLU / Leaky ReLU 激活函數、Batch Normalization、或 ResNet (殘差連接)。
- 梯度爆炸 (Exploding Gradient)
- 現象：誤差往前傳遞時數值越來越大，導致權重劇烈波動，Loss 不穩定甚至發散 (NaN)。
- 原因：權重初始化過大，或網路層數過深。
- 解法：Gradient Clipping (梯度裁剪)、使用正規化初始化方法 (如 Xavier / He Initialization)。
5. 關鍵元件：梯度下降與優化器 (Gradient Descent & Optimizer)
知道錯了之後，要怎麼修正最有效率？
看你是要一次搬完所有便便（Batch），還是看到一點就搬一點（SGD）。最好的方式通常是混合（Mini-batch）。
梯度下降 (Gradient Descent)
一種利用損失函數的偏導數（梯度）來更新參數，使誤差最小化的演算法。常見有三種形式：
- Batch Gradient Descent (批次梯度下降)
- 定義：一次使用 全部 資料計算平均梯度後，才更新一次權重。
- 特性：方向精準、收斂穩定，但計算量大、訓練速度慢。
- Stochastic Gradient Descent (SGD, 隨機梯度下降)
- 定義：每次僅使用 一筆 資料計算梯度並更新權重。
- 特性：更新極快，有助於跳出局部最小值，但收斂過程極不穩定、容易震盪。
- Mini-Batch Gradient Descent (小批次梯度下降)
- 定義：每次使用 一小批 (如 32, 64 筆) 資料計算梯度。
- 特性：平衡了計算效率與穩定性，是 實務上最常用 的方法。
🔹 優化器 (Optimizer)
優化器可視為「梯度下降的外掛」，決定如何利用梯度來更新權重，目的是加速收斂並避免陷入局部最佳解。
- SGD：最基礎的優化器，無動量機制。
- Momentum：加入「動量」（慣性）機制，讓參數更新方向更平滑，減少震盪。
- Adam：實務首選。結合動量與 RMSprop (自適應學習率)，能自動調整每個參數的學習步伐，收斂快且穩。
局部最小值 (Local Minima)
複雜的損失函數中，可能會存在「多個極小值」，模型有可能停在「看起來低，但其實不是最低」的地方，以為自己到了最低點（最佳解），但其實旁邊還有更低的山谷。優化器的任務之一就是幫助模型跳出這些陷阱。
6. 泛化能力提升 (Generalization)
模擬考 100 分，就代表大考也能拿高分嗎？
不一定，可能是「死背答案」（過擬合）。遇到沒看過的題目就掛了。
核心挑戰：過擬合 (Overfitting)
模型在訓練資料上表現很好，但在新資料上表現差。就像學生只會死背考古題，題目稍微改一下就不會寫了。
解決 Overfitting (過擬合) 的四大策略：
策略層面 | 關鍵手段 (Tools) | 核心邏輯 (The Logic) |
(A) 資料面 | 1. 資料擴增 (Augmentation)
2. 資料平衡 (Balancing)
3. 合成資料 (Synthetic Data) | 「見多識廣」
給模型看更多變體（翻轉、加噪聲），或用生成式 AI 補足稀缺資料，強迫它學特徵而非死記像素。 |
(B) 模型面 | 1. Dropout (隨機拋棄)
2. Regularization (正則化)
3. 模型簡化 | 「增加難度」
故意關掉部分神經元 (Dropout)，或懲罰太複雜的權重 (L1/L2)，強迫模型找出最強健的規則。 |
(C) 流程面 | 1. 提前停止 (Early Stopping)
2. 交叉驗證 (Cross Validation) | 「見好就收」
在考試（驗證集）成績開始變差前停止訓練；或是輪流切換考題，避免運氣好猜對。 |
(D) 組合面 | 1. Bagging (Random Forest)
2. Boosting (XGBoost) | 「團體戰」
三個臭皮匠勝過一個諸葛亮。結合多個模型的意見來投票，降低單一模型的偏見或錯誤。 |
第四部分：模型評估
模型準確率 (Accuracy) 高達 99%，老闆開香檳慶祝，為什麼資深工程師卻反而眉頭一皺？
因為在資料不平衡的世界裡，準確率常常是個「騙子」。
想像 100 個零件裡只有 1 個瑕疵品，模型只要閉著眼睛全部猜「良品」，準確率就能拿到 99 分。但那個唯一的瑕疵品卻被放過了，這時候準確率毫無意義。
所以，比起「準不準」，我們更該問「你在乎什麼代價」？
- 怕「冤枉好人」（例如垃圾信過濾，不想誤刪重要信件）👉 你需要 精確率 (Precision)，追求「寧缺勿濫」。
- 怕「放過壞人」（例如癌症篩檢，寧可誤判也不要漏病）👉 你需要 召回率 (Recall)，追求「寧濫勿缺」。
1. 分類指標 (Confusion Matrix)
指標 (Metric) | 核心意義 (Meaning) | 應用情境與備註 (Focus) |
Accuracy (準確率) | 整體考幾分 | 資料分佈平均時使用。
⚠️ 資料不平衡時會失準 (99% 都是狗，全猜狗也有 99 分)。 |
Precision (精確率) | 寧缺勿濫 | 預測為「正」的，有多少是真的？
💡 用於垃圾郵件過濾 (避免誤刪重要信件)。 |
Recall (召回率) | 寧濫勿缺 | 真正的「正」樣本，抓出了多少？
💡 用於傳染病篩檢、地震預警 (不能漏抓)。 |
F1-score (F1 分數) | 平衡觀點 | Precision 與 Recall 的綜合考量。
💡 兩難時的最佳參考指標。 |
AUC / ROC | 評估模型鑑別力 | AUC = 0.5 是亂猜，1.0 是神。
💡 資料不平衡時特別好用。曲線越高越好，AUC 接近 1 表示模型判別力強。 |
2. 回歸指標 (Regression Metrics)
預測房價這種數字題，要怎麼算準不準？
簡單粗暴：看預測值跟真實答案的「距離」有多遠。
指標 (Metric) | 意義與特性 (Characteristics) |
MAE
(平均絕對誤差) | 誤差絕對值的平均。
對離群值較不敏感，適合雜訊較多的資料。 |
MSE
(均方誤差) | 誤差平方的平均。
對大誤差懲罰重 (因為平方放大了)，適合嚴格要求準確度的場景。 |
RMSE
(均方根誤差) | MSE 開根號。
單位跟原始資料一樣 (例如：元、度)，比較好直觀理解誤差大小。 |
R²
(決定係數) | 0 ~ 1 之間。
代表模型解釋了多少資料變異。越接近 1 代表模型擬合越完美。 |
第五部分：模型生命週期與維運 (Deployment & MLOps)
模型訓練好、準確率達標，專案是不是就可以結案慶功了？
恰恰相反。對於 AI 來說，離開實驗室進入真實世界，災難才正要開始。因為真實世界的數據永遠在變，模型就像牛奶一樣，時間久了是會「壞掉」的。
模型訓練完成、準確率達標，然後呢？許多人以為這就是終點，但對於 AI 工程師來說，上線 (Deployment) 才是挑戰的開始。
1. 部署與推論 (Deployment & Inference)
模型要養在雲端，還是養在手機裡？
看你的需求。要算力強就放雲端 (Cloud)，要反應快就放邊緣 (Edge)。
定義：將訓練好的模型放進真實環境，提供預測服務。
- Inference (推論)：模型實際應用時的計算過程（區別於 Training）。
- 部署位置：
- 本地端 (On-premise)：公司內部伺服器（安全、可控）。
- 雲端 (Cloud)：AWS, GCP, Azure（彈性、易擴充）。
- 邊緣 (Edge)：手機、IoT 裝置（低延遲、隱私好）。
2. 監控與模型飄移 (Monitoring & Drift)
飄移類型 (Type) | 定義與成因 (Definition & Cause) | 實例 (Example) |
資料飄移
(Data Drift) | 輸入資料 (Input) 的分佈變了。
使用者行為、環境、季節、設備、感測器等外在因素導致特徵分佈改變。 | 題目變了。原本訓練夏天的數據，現在進入冬天，氣溫特徵完全不同。 |
概念飄移
(Concept Drift) | 輸入與輸出的關係 (Logic) 變了。
真實世界規則更新或市場偏好轉變，使相同特徵不再對應相同結果。 | 答案變了。同樣的房型，受通膨或政策影響，房價邏輯變了。 |
模型飄移
(Model Drift) | 模型本身性能隨時間退化。權重不再適應環境、資料不平衡加劇、部署環境變動、硬體差異、模型老化導致效能下降。 | 真實世界是動態的，昨天的真理可能是今天的謬誤。 |
AI 系統不是「蓋好就沒事」的建築，而更像是有生命的有機體。 它需要持續的 MLOps (Machine Learning Operations) 來監控健康狀態，並透過持續訓練 (Continuous Training) 來適應這個不斷變化的世界。
結語：AI 不只是技術，更是面對世界的思維
從資料預處理到模型部署，從演算法選擇到 MLOps 維運，我們走過了機器學習的完整生命週期。但在這些技術細節之外，更值得記住的是這些與人生相通的智慧：
- Garbage In, Garbage Out：你的輸入決定了你的格局。
- 沒有最好的演算法，只有最適合的：就像沒有標準答案的人生。
- 過擬合 (Overfitting) 是大忌：死記硬背走不遠，舉一反三（泛化）才是真本事。
- 擁抱錯誤 (Loss)：失敗不是終點，而是梯度下降修正方向的動力。
機器學習的本質，或許就是在提醒我們：學習從來不是一蹴可幾的魔法，而是一場持續優化的旅程。當我們理解了演算法背後的邏輯，也就更明白——無論是訓練模型還是成就自己，關鍵都在於：好好餵養、不斷調整、勇於試錯，然後在每一次迭代中變得更好。
相關文章
