機器學習的三大分類
這是 iPAS 考試最基礎也最常考的概念。
監督式學習（Supervised Learning）
用已標註的資料訓練模型。就像有老師改作業，模型從正確答案中學習。
- 分類（Classification）：預測類別，例如郵件是否為垃圾信
- 迴歸（Regression）：預測數值，例如房價預測
常見演算法：線性迴歸、邏輯迴歸、決策樹、隨機森林、SVM、KNN
非監督式學習（Unsupervised Learning）
用未標註的資料，讓模型自己找出資料中的結構。
- 分群（Clustering）：將相似資料分組，例如客戶分群
- 降維（Dimensionality Reduction）：減少特徵數量，例如 PCA
常見演算法：K-means、DBSCAN、PCA、t-SNE
強化學習（Reinforcement Learning）
透過與環境互動，根據獎懲回饋學習最佳策略。像訓練寵物：做對了給獎勵，做錯了不給。
應用：遊戲 AI、機器人控制、自動駕駛
模型評估指標
這是中級考試的重點，但初級也會考基本概念。
分類問題
| 指標 | 意義 | 公式 |
|---|---|---|
| Accuracy | 整體正確率 | (TP+TN) / 全部 |
| Precision | 預測為正的準確度 | TP / (TP+FP) |
| Recall | 實際為正的召回率 | TP / (TP+FN) |
| F1-Score | Precision 和 Recall 的調和平均 | 2PR / (P+R) |
考試技巧：記住 Precision 關注「查準」，Recall 關注「查全」。醫療診斷重視 Recall（不能漏掉病人），垃圾信過濾重視 Precision（不能誤殺正常信）。
迴歸問題
- MAE：平均絕對誤差，直觀易懂
- MSE / RMSE：均方誤差，對大誤差更敏感
- R²：決定係數，越接近 1 越好
過擬合與欠擬合
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。就像背考古題背得滾瓜爛熟，但換個題目就不會了。
解決方法：增加資料量、正則化、Dropout、Early Stopping、交叉驗證
欠擬合（Underfitting）
模型太簡單，連訓練資料都無法學好。
解決方法：增加模型複雜度、增加特徵、延長訓練時間
考古題常見陷阱
- 混淆監督式和非監督式：看到「標註」關鍵字就是監督式
- Precision vs Recall：記住 Precision 是「查準」，Recall 是「查全」
- 過擬合的特徵：訓練準確率高、測試準確率低 = 過擬合