📖 這份指引怎麼用 （試看版：只開放「5.3 模型訓練、評估與驗證」這一節）
這一頁是把官方 223 頁的《科目三：機器學習技術與應用》學習指引，整份重新用白話改寫的版本。內容範圍、章節編號都跟官方指引一致（第3～6章），方便你對照原文。
- 🔑 每一節開頭都有「先搞懂這幾件事」：讀那一節之前需要的預備知識，先花一分鐘看完，正文就不會卡住。
- 看到 這種小按鈕 都可以點：全站的專有名詞、數學符號都做成名詞小卡，每張卡用一個生活例子講給你懂，忘記就點一下。之後同一個名詞再出現時，會變成淡淡的虛線底線——一樣點得開。
- 公式下面都有 💬 白話翻譯：看不懂符號沒關係，先看翻譯那一行。
- 🎮 每一節都有「玩玩看」小實驗：用拉桿和按鈕把抽象的數學「玩」成直覺，強烈建議動手玩過再往下讀。
- 📐 數學小教室、🧮 實際算一次：完全沒碰過的數學符號，會先用最基礎的方式帶一次、再用真實數字算給你看。
- 每章結尾有官方的 10 題練習題：點選項立刻對答案、看解析。
🎯 科目三到底考什麼
官方把科目三切成四大主題，就是本頁的四章：
| 主題代號 | 主題 | 白話說明 | 對應章節 |
|---|---|---|---|
| L231 | 機器學習基礎數學 | 機率統計、線性代數、數值優化——模型背後的三種數學工具 | 第3章 |
| L232 | 機器學習與深度學習 | 三大學習類型、常見演算法、神經網路與深度學習框架 | 第4章 |
| L233 | 機器學習建模與參數調校 | 資料清理、特徵工程、模型選擇、訓練評估、調參優化的完整流程 | 第5章 |
| L234 | 機器學習治理 | 資料隱私與法規、演算法偏見與公平性 | 第6章 |
※ 本頁是學習輔助整理，實際評鑑範圍以 iPAS 官方簡章與學習指引為準。
第5章
機器學習建模與參數調校
模型準不準，一半以上取決於演算法「以外」的功夫：資料洗得乾不乾淨、特徵設計得好不好、模型挑得對不對、訓練評估嚴不嚴謹、參數調得細不細。這一章就是完整的建模工程流程：5.1 備料 → 5.2 挑模型 → 5.3 訓練與評分 → 5.4 調校與瘦身。
🔒 5.1 數據準備與特徵工程名詞卡 30・玩玩看 4・完整版開放
🔒 5.2 模型選擇與架構設計名詞卡 7・玩玩看 2・完整版開放
5.3 模型訓練、評估與驗證怎麼練、怎麼打分數
🔑 讀這節前，先搞懂這幾件事
- 為什麼要切三份資料？訓練集＝上課用的課本；驗證集＝平時小考（拿來調整讀書方法）；測試集＝期末考（最後才打開，成績才算數）。用課本題目考自己，分數一定虛高。
- 超參數：訓練「前」由人決定的設定（學習率、樹的深度）；參數：訓練「中」模型自己學的數值（權重）。
- 正類/負類：二元分類裡你關心的那一類叫「正類」（有病、是詐欺），另一類叫「負類」。
1️⃣ 訓練策略
- 資料分割：訓練集學參數、驗證集調超參數並監控過擬合、測試集只在最後用一次做最終評估。資料夠多時可用 K-fold 交叉驗證提升評估穩定性。
- 批次策略：全量訓練（方向穩但吃記憶體）／SGD 一筆一更（快但震盪）／Mini-batch（深度學習標準做法）——批次大小影響梯度穩定性與速度，依 GPU 記憶體與任務調整。
- 學習率調整：固定學習率（簡單任務）；遞減式（Step/Exponential Decay）；動態調整（驗證效能停滯就自動降，如 ReduceLROnPlateau）；預熱（Warm-up）——初期先用小學習率避免梯度爆炸，Transformer 類模型常用。
- 早停策略：驗證指標連續 N 次沒進步（Patience 容忍次數）或進步小於閾值（Minimum Delta）就停，防過擬合。
- 紀錄與監控：用 TensorBoard／WandB／MLflow 看損失曲線、管理超參數與模型版本、追蹤 GPU/記憶體——確保實驗可重現。
2️⃣ 分類任務評估指標（必考重點區）
一切從混淆矩陣開始——把預測結果分成四格：
| 實際為正 | 實際為負 | |
|---|---|---|
| 預測為正 | TP 真正 （抓對了） | FP 假正 （誤報：沒病說有病） |
| 預測為負 | FN 假負 （漏報：有病說沒病） | TN 真負 （正確排除） |
| 指標 | 公式 | 白話 | 什麼時候用 |
|---|---|---|---|
| 準確率 Accuracy | (TP+TN) ÷ 全部 | 整體猜對的比例 | 類別均衡時好用；類別不平衡時會騙人——95% 是負類時全猜負也有 95% 準確率 |
| 精確率 Precision | TP ÷ (TP+FP) | 「我說是正的裡面，真的是正的比例」——預測的可信度 | 誤報代價高時（垃圾郵件誤擋重要信、誤診嚇病人） |
| 召回率 Recall | TP ÷ (TP+FN) | 「實際是正的裡面，我抓到的比例」——漏網之魚多不多 | 漏報代價高時（癌症漏診、詐騙漏抓） |
| F1 分數 | 2 × (P×R) ÷ (P+R) | 精確率與召回率的調和平均——兩者的綜合成績 | 需要兩者平衡、且類別不平衡嚴重時 |
| ROC-AUC | ROC 曲線下面積 | 「所有可能門檻下」模型區分正負類的整體能力，越接近 1 越強 | 需要綜觀整體、或還要調分類門檻時 |
⚠️ 記憶口訣
Precision 分母是「預測為正」（TP+FP）；Recall 分母是「實際為正」（TP+FN）。精確率管誤報、召回率管漏報。醫療篩檢怕漏 → 重召回率；寄送高成本行銷怕打錯人 → 重精確率。
🎮 玩玩看：混淆矩陣指標計算機
情境：1000 人做疾病篩檢，其中 100 人真的有病。拉動兩個滑桿，四大指標即時重算——親手感受「準確率很高卻漏掉一堆病人」是怎麼發生的。
🎮 玩玩看：門檻滑桿與 ROC 曲線
同一個模型，把「判定為陽性」的門檻從嚴掃到鬆：抓到的病人（TPR）變多，被冤枉的健康人（FPR）也變多。紅點＝你目前的門檻在 ROC 曲線上的位置；整條曲線下的面積就是 AUC。
3️⃣ 迴歸任務評估指標
| 指標 | 公式概念 | 特點 |
|---|---|---|
| MSE 均方誤差 | 誤差平方的平均 | 大誤差罰很重，適合「大錯不可饒恕」的任務（金融風險、製程品質） |
| MAE 平均絕對誤差 | 誤差絕對值的平均 | 對異常值不敏感，估計穩定，適合偏態或含極端值的資料 |
| RMSE 均方根誤差 | MSE 開根號 | 保留 MSE 的懲罰特性，但單位跟目標變數一樣（好解讀），報告最常用 |
| R² 決定係數 | 1 − RSS/TSS | 模型解釋了多少變異。R²=1 完美；R²=0 跟「直接猜平均值」一樣爛；R²<0 比猜平均還爛 |
🧮 實際算一次：MSE、MAE、RMSE
三間房的實際價 vs 模型預測（萬）：1000→1010、800→790、600→680（最後一間嚴重失準）。誤差＝＋10、−10、＋80。
MAE ＝ (10＋10＋80) ÷ 3 ＝ 33.3 萬｜MSE ＝ (10²＋10²＋80²) ÷ 3 ＝ (100＋100＋6400) ÷ 3 ＝ 2200｜RMSE ＝ √2200 ≈ 46.9 萬
看出差別了嗎？那筆 ＋80 的大錯，在 MSE 裡貢獻了 97%（6400/6600）——平方會放大大誤差。「MSE 重罰大錯、MAE 一視同仁」就是這個意思。
R² = 1 − RSS ÷ TSS （RSS = Σ(y−ŷ)²，TSS = Σ(y−ȳ)²）
RSS（殘差平方和）＝「模型預測」跟實際值的差距總和；TSS（總變異平方和）＝「直接猜平均值」跟實際值的差距總和。R² 就是在問：模型比無腦猜平均好多少？注意：R² 適合線性迴歸；跨資料集、非線性模型間不能直接比較。
4️⃣ 綜合評估策略
- 別只看一個指標：分類搭配 Accuracy＋F1＋ROC-AUC＋混淆矩陣；迴歸搭配 MAE＋RMSE＋R²，觀察誤差分佈。
- 類別不平衡三招：類別重加權（訓練時給少數類別更高權重）；SMOTE 過採樣（合成少數類別新樣本，保留樣本空間結構）；異常值建模（極端不平衡時乾脆當異常偵測做——Isolation Forest、One-Class SVM）。
- 業務導向自訂指標：醫療自訂誤判成本矩陣（漏診罰更重）；推薦/行銷用 NDCG、收益導向的 Profit Score。
- 多輪驗證看穩定性：不要只看單次實驗，用交叉驗證＋箱型圖觀察多輪表現的分佈與變異。
5️⃣ 交叉驗證方法（比較表必背）
🔑 讀這段前，先搞懂
- 交叉驗證：只切一次訓練/驗證可能剛好切到「好切」或「難切」的組合——多切幾次、輪流當驗證集、取平均，評估才可靠。
| 方法 | 做法 | 特點 | 適用 |
|---|---|---|---|
| K-fold | 資料均分 K 份，輪流用 1 份驗證、K−1 份訓練，做 K 次取平均（常設 K=5 或 10） | 減少切分偶然性；計算成本 K 倍 | 中大型資料的通用標準方法 |
| Stratified K-fold | K-fold＋分層抽樣：每一份的類別比例都跟整體一致 | 解決類別不均導致的評估失真 | 不平衡分類（詐欺、疾病）的預設方式 |
| LOOCV | K = 樣本數 n 的極端版：每次只留 1 筆當驗證，做 n 次 | 資料利用最大化、評估偏差最小；但要訓練 n 次，計算成本爆炸 | 樣本極少又珍貴（臨床研究、稀有病資料） |
| Repeated K-fold | K-fold 重複多輪（如 10-fold × 5 次），每輪重新隨機切分 | 結果更穩、可估變異範圍與信賴區間；成本更高 | 調參比較、學術報告、金融醫療等要求高重現性的流程 |
🎮 玩玩看：K-fold 怎麼切
每一列是一輪：金色＝當驗證集的那一份、藍綠＝拿去訓練的份。拉動 K 看切法怎麼變。
🔒 5.4 模型調整與優化名詞卡 16・玩玩看 2・完整版開放
✏️ 第5章 練習評量（官方 10 題）（試看 3 題）
點選你認為的答案，立刻對答案＋看白話解析。
1. 在模型訓練過程中，若模型在訓練集表現良好，但測試集效能不佳，可能是發生了什麼問題？
答案（C）過擬合
「訓練好、測試爛」是過擬合的標準症狀：模型把訓練集的細節與雜訊背起來了。解法：正則化、降低模型複雜度、Early Stopping、增加資料。
2. 交叉驗證中，哪一種方法在每次驗證中只留下一筆樣本作為驗證集，其餘皆用於訓練？
答案（C）LOOCV
LOOCV（Leave-One-Out）＝「留一法」：K 等於樣本數 n，每次只留 1 筆驗證、其餘全部訓練，共做 n 次。資料利用最大化，但要訓練 n 次、計算成本極高，只適合小樣本。
3. 在訓練深度學習模型時，隨機將部分神經元暫時關閉以減少過擬合的技術是什麼？
答案（B）Dropout
「隨機關閉神經元」就是 Dropout 的定義：每次訓練用不同的「子網路」，避免神經元互相依賴。Early Stopping 是提早停止訓練；Batch Normalization 是標準化各層輸出；Quantization 是壓縮模型精度。
🔒 本組其餘 7 題與其他章節的練習題完整版開放
中級科目三 機器學習技術與應用全貌試看版只開放「5.3 模型訓練、評估與驗證」；其餘購買後開放
第3章 機器學習基礎數學
🔒 3.1 機率與統計名詞卡 42・玩玩看 5・完整版開放
🔒 3.2 線性代數名詞卡 26・玩玩看 4・完整版開放
🔒 3.3 數值優化名詞卡 36・玩玩看 2・完整版開放
第4章 機器學習與深度學習
🔒 4.1 機器學習原理與三大類型名詞卡 28・玩玩看 2・完整版開放
🔒 4.2 常見機器學習演算法名詞卡 66・玩玩看 4・完整版開放
🔒 4.3 深度學習原理與框架名詞卡 58・玩玩看 5・完整版開放
第5章 機器學習建模與參數調校
🔒 5.1 數據準備與特徵工程名詞卡 30・玩玩看 4・完整版開放
🔒 5.2 模型選擇與架構設計名詞卡 7・玩玩看 2・完整版開放
📖 5.3 模型訓練、評估與驗證你正在看這一節
🔒 5.4 模型調整與優化名詞卡 16・玩玩看 2・完整版開放
第6章 機器學習治理
🔒 6.1 數據隱私、安全與合規名詞卡 17・玩玩看 2・完整版開放
🔒 6.2 演算法偏見與公平性名詞卡 12・玩玩看 2・完整版開放
🔒 ✏️ 官方練習題（4 組）點選即對答案＋白話解析
這只是中級科目三 機器學習技術與應用白話指引 12 節中的 1 節
你剛看到的名詞小卡、玩玩看、官方練習題互動化，五科白話指引每一節都是這樣做的。完整版還有：
- 白話學習指引：初級 2 科＋中級 3 科，官方 600 多頁指引整份白話改寫，名詞小卡＋玩玩看＋官方練習題
- 考古題全卷與 4,000 題以上變化題：逐題詳解，錯的選項也說清楚為什麼錯
- 中級程式題：逐行解析 35 題＋程式題預測 20 頁完整練習（可在瀏覽器執行）
- 互動實驗室 55 座、複習筆記 2.0、官方推薦書重點整理、Python 學習中心、AI 面試官教學站
- 貓老師弱點分析：用你的錯題算出考前最該補的考點
- 考前預測與 6 份 PDF：每次考前更新；帳號永久使用、持續更新