🟢 重點一：資料分割與訓練策略（穩定度）
在模型訓練時，資料的分配與更新方式決定了收斂速度。
1. 三大資料集角色（不可混淆）
- 訓練集 (Training Set)：負責「學習」，調整模型內部參數（Weights）。
- 驗證集 (Validation Set)：負責「挑選」，用來調整超參數（如學習率）與執行 Early Stopping。
- 測試集 (Test Set)：負責「最終審判」，模擬部署後的真實表現。
2. 梯度下降策略對比
策略 | 特色 | 優點 | 缺點 |
全量訓練 (Batch) | 一次餵全部資料 | 方向穩定、路徑平滑 | 極度吃記憶體、速度慢；數據量過大時會導致 OOM (記憶體溢出)，且容易卡在局部平原或極小值。 |
隨機下降 (SGD) | 一次餵 1 筆 | 適合線上學習、速度快 | 震盪大、難收斂；GPU 優勢在批次矩陣運算，單筆餵入造成 GPU 閒置。 |
小批次 (Mini-batch) | 目前主流 | 兼顧穩定與效率 | 需額外調校 Batch Size；開發者需在「硬體顯存限制」與「訓練收斂穩定度」之間，反覆測試以尋找最佳平衡點。 |
📈 重點二：分類任務評估指標
1. 核心指標公式
- 準確率 (Accuracy) = (TP + TN) / 全部資料（預測正確的比例）
- 精確率 (Precision) = TP / (TP + FP)（預測正類中，有多少是真的？怕誤報）
- 召回率 (Recall) = TP / (TP + FN)（實際正類中，抓到了多少？怕漏報）
- F1-Score = 2 × (Precision × Recall) / (Precision + Recall)（Precision 與 Recall 失衡時的綜合指標）
2. 情境選擇題解題關鍵
- 場景 A：醫療診斷、詐騙偵測、零件缺陷 → Recall 是首選（絕對不能漏掉任何一個病人/壞人）。
- 場景 B：廣告投放、垃圾郵件過濾 → Precision 是首選（不想打擾到沒興趣的客戶）。
📉 重點三：迴歸任務指標（誤差敏感度）
- MSE (均方誤差)：誤差平方後平均。因為有平方，會極度放大離群值（Outliers）的影響。
- MAE (平均絕對誤差)：誤差取絕對值。對異常值較穩健（Robust）。
- R2 (決定係數)：衡量模型解釋資料變異的能力。
- R2 = 1：神準。
- R2 = 0：跟猜平均值沒兩樣。
- R2 < 0：模型歪掉。
🔄 重點四：交叉驗證 (Cross-Validation)
當資料量不夠大，或者想確保模型穩定度時使用。
- K-fold：資料切 K 份，輪流當驗證集。
- Stratified K-fold (分層 K 折)：劃分時保持類別比例不變。看到「類別不均」可以選它。
- LOOCV (留一法)：K = n（總樣本數），每次只留一筆驗證。精確但運算成本極高。
⚠️ 常見誤解區
1. 關於 Early Stopping（早停）
誤解：一旦訓練集（Training Set）的誤差不再下降就停止。
正確：應監控驗證集 (Validation) 的效能。當驗證集效能開始變差，代表模型開始「死背」訓練資料（過擬合），這才是停止點。
2. 關於類別不平衡 (Imbalance)
當樣本比例（如 99:1）嚴重懸殊時：
- 別用 Accuracy，會產生假象。
- 請使用 SMOTE (過採樣)：SMOTE 是透過「插值法」生成合成樣本，比單純複製更能減少過擬合風險（註：合成樣本可能使特徵重要性失真，降低可解釋性）。
- 或調整 Class Weights (類別權重)，給少數類別更高的處罰分。
3. 關於 R2 的限制
誤解：可以直接拿兩個不同資料集的 R2 來比較模型優劣。
正確：R2 會受資料分佈影響，不同資料集間的 R2 無法直接對比。
透過預備 iPAS AI 應用規劃師 (中級) 考試，加強 AI 知識。
※ 內容參考 iPAS 官方學習指引，由 AI 整理產製
