ML基礎全景指南：從 Scikit-Learn 演算法地圖到四大實戰任務

這篇文章是「機器學習基礎」系列的一部份。我們不只會弄清楚 AI、ML、DL 之間的關係，更會跟著 Scikit-Learn 官方地圖，實戰演練地圖上的四大核心路徑。這是一份讓你從「拿到資料」到「選對武器」的實戰導航指南。

• 第一站：定位空間 — AI、ML、DL 是三層包含關係
• 第二站：航海圖 — Scikit-Learn 演算法選擇地圖
• 第三站：四大實戰任務探險
  • 左上流程：分類任務 (Classification) — 畫出完美的邊界
    • 模型評估：準確率與特徵對比
    • 深度評估：除了 Accuracy，你還該看什麼？
    • 核心心法：偏差 (Bias) 與 方差 (Variance) 的權衡
  • 右上流程：回歸任務 (Regression) — 預測未來的數值
    • 模型評估：R2 之外，你還能看什麼？
    • 核心心法：回歸中的 Overfitting vs Underfitting
  • 左下流程：分群任務 (Clustering) — 挖掘數據的隱藏分佈
    • 模型評估：如何判斷分群好壞？
    • 核心心法：從硬性到軟性的分群邏輯
  • 右下流程：降維任務 (Dimensionality Reduction) — 高維空間的顯微鏡
    • 模型評估：雖然沒有分數，但有「資訊保留度」
    • 核心心法：為何非降維不可？
• 補充：針對其他任務設計的流程
  • 1. SGD (隨機梯度下降) — 大數據的救星
  • 2. LASSO 回歸 (L1 正則化) — 自動特徵選取
  • 3. Naive Bayes (貝氏分類器) — 文字處理的主場
• 總結：你的實戰 SOP 建議

第一站：定位空間 — AI、ML、DL 是三層包含關係

在進入地圖之前，先搞清楚這三個詞的階層關係。它們不是並列的技術，而是層層包含：

• AI（人工智慧）：最外層，泛指所有讓機器展現智慧行為的方法。
• ML（機器學習）：AI 的子集，核心是「讓機器從資料中自己找規律」。
• DL（深度學習）：ML 的子集，特指使用「多層神經網路」的技術。

點擊放大

第二站：航海圖 — Scikit-Learn 演算法選擇地圖

面對資料，到底該選哪個演算法？Scikit-Learn 官方為我們畫好了這張決策流程圖。從 Start 開始，根據你的資料量、是否有標籤、目標是數值還是類別，地圖會引導你走向正確的武器庫。

點擊放大

(來源：Scikit-Learn 官方文件)

接下來，我們將實際踏上地圖上的四條主要航線。

第三站：四大實戰任務探險

左上流程：分類任務 (Classification) — 畫出完美的邊界

分類問題的核心就是 「畫線」 。我們以「廣告投放預測」為例，觀察演算法如何從「剛直」進化到「優雅」。

點擊放大

• 圖表說明：
  1. Linear SVC (左圖)：試圖在兩群人之間畫出一條「絕對直線」。當資料分佈呈彎曲狀時，直線會顯得力不從心。
  2. KNN (中圖)：邊界隨鄰居而變，雖然能適應非線性，但邊界較為破碎，容易受異常值影響。
  3. RBF SVC (右圖)：透過核函數在高維空間切出一刀，在 2D 平面呈現出優雅的曲線，最能精準包覆資料分佈。

模型評估：準確率與特徵對比

深度評估：除了 Accuracy，你還該看什麼？

當你的資料出現「類別不平衡」（例如：100 個人中只有 1 個是壞人）時，只看 Accuracy 會讓你產生誤判。建議搭配以下指標：

1. 精確率 (Precision)：在所有「預測為買家」的人中，有多少人是真的買家？（追求精準，不想亂投廣告）。
2. 召回率 (Recall)：在所有「真正買家」的人中，你成功抓到了多少人？（不想漏掉潛在客戶）。
3. F1-Score：Precision 與 Recall 的綜合指標，適合用來判斷模型的穩定性。
4. 混淆矩陣 (Confusion Matrix)：最直觀的工具，讓你一眼看出模型是把「買家錯認成路人」，還是「路人錯認成買家」。

核心心法：偏差 (Bias) 與 方差 (Variance) 的權衡

在調整分類器時，你其實是在進行一場「平衡遊戲」：

• 高偏差 (High Bias / 欠擬合)：模型太笨、太簡單。就像 Linear SVC 面對複雜資料時，不管你怎麼教，它都堅持畫直線，導致兩邊都分不準。
• 高方差 (High Variance / 過擬合)：模型太聰明、太敏感。就像 KNN (K值過小)，它會過度學習資料中的噪音，導致在訓練集很準，但遇到新資料就掛掉。
• 最佳狀態：像 RBF SVC 或適度調整後的模型，既能捕捉大趨勢，又不會被小細節帶偏。

右上流程：回歸任務 (Regression) — 預測未來的數值

回歸的核心在於捕捉資料的真實趨勢。當我們面對具有「地理資訊」的複雜資料時，線性模型往往會撞牆。

• 案例：加州房價預測（經緯度對房價的非線性影響）。
• 武器演進：
  1. Ridge Regression：只能抓大方向，無法理解經緯度的空間意義。
  2. SVR (RBF Kernel)：成功理解空間關係，表現大幅提升。
  3. Random Forest：透過森林的力量精準捕捉複雜的非線性。

點擊放大

模型評估：R2 之外，你還能看什麼？

回歸問題的目標是「預測值與真實值的差距越小越好」，常見指標包括：

1. MAE (平均絕對誤差)：預測房價與實際房價平均差了多少錢？（最直觀）。
2. MSE (均方誤差)：將誤差平方後取平均。它會放大極端錯誤，適合用來懲罰「預測錯得太離譜」的情況。
3. RMSE (均方根誤差)：MSE 的平方根。讓單位的量級回到與原始數據一致，實務上最常用。

核心心法：回歸中的 Overfitting vs Underfitting

• Underfitting (高偏差)：就像 Ridge 回歸，它強行用一塊「平板」去蓋住崎嶇的地圖，導致它無法抓到舊金山或洛杉磯的高房價熱點。
• Overfitting (高方差)：如果 隨機森林 的樹長得太深，它可能會記住每一間房子的特殊情況（例如某間房子的馬桶是金做的），導致遇到一般的房子反而預測不準。
• 關鍵策略：在回歸任務中，我們通常透過「正規化 (Regularization)」或「限制樹的深度」來在偏差與方差之間尋找平衡。

左下流程：分群任務 (Clustering) — 挖掘數據的隱藏分佈

沒有標籤時，我們怎麼分類？關鍵在於 「對資料形狀的假設」 。

• 案例：長條型 (Anisotropic) 資料的挑戰 在現實世界，數據不總是圓圓的。有些客戶的消費行為可能是從「高頻低額」到「低頻高額」的長條狀分佈。這種 非等向性 (Anisotropic) 的資料是 KMeans 的噩夢。

• 武器演進：

  1. KMeans：它假設群組是「圓形」的。面對長條形資料，它會像切西瓜一樣把長條硬生生切斷成幾塊圓形區域，導致錯誤分群（FAIL）。
  2. GMM (Gaussian Mixture)：地圖建議的 「Try Next」。它不只看距離，還看 協方差 (Covariance)，允許群組變成 「橢圓形」 ，能完美捕捉資料的傾斜角度與延展性（SUCCESS）。

• 為什麼不看數據（指標），要看圖表？ 這是一個關鍵陷阱。常用的評估指標如 輪廓係數 (Silhouette Score)，其計算邏輯本質上就偏好「圓形且緊湊」的分群。

  • 在面對長條型資料時，KMeans 的得分甚至可能比 GMM 還高。
  • 但從圖表看，KMeans 明顯切斷了資料的連續性。這告訴我們：在非監督式學習中，「視覺化驗證」往往比指標數字更能反映資料的真實邏輯。

點擊放大

模型評估：如何判斷分群好壞？

非監督式學習沒有標準答案，但我們可以參考這幾個指標：

1. Silhouette Score (輪廓係數)：衡量群組內的緊密程度與群組間的距離，越接近 1 越好（但小心長條型資料的陷阱）。
2. Inertia (凝聚度)：群組內的點到中心點的距離總和。這是 手肘法 (Elbow Method) 的依據，當 K 值增加到某一點後，Inertia 的下降速度會趨緩，那個點就是建議的 K。
3. Davies-Bouldin Index：衡量群組間的「重疊度」，數值越小代表群組分得越開。

核心心法：從硬性到軟性的分群邏輯

• Hard Clustering (硬性分群)：像 KMeans，一個點要麼屬於 A 類，要麼屬於 B 類，沒有中間地帶。這在處理邊界模糊的資料時容易出錯。
• Soft Clustering (軟性/機率分群)：像 GMM，它會告訴你：「這個點有 80% 的機率是 A，20% 的機率是 B」。這種「機率概念」讓它在面對重疊或複雜分佈時更具韌性。
• K 值焦慮：如果你不知道要分幾群，地圖建議嘗試 MeanShift（自動偵測密度中心）或使用手肘法進行系統性試驗。

右下流程：降維任務 (Dimensionality Reduction) — 高維空間的顯微鏡

當數據維度超過三維，人類就不容易理解。降維是為了「提煉精華、去除噪音」。

• 案例：將 64 維的手寫數字 (Digits) 壓縮到 2 維平面。
• 武器演進：
  1. PCA (線性)：速度極快，但在 2D 上不同數字的重疊還是很多。
  2. IsoMap (非線性)：擅長處理「流形學習」，能將彎曲的高維空間攤平，讓不同類別邊界更清晰。

點擊放大

模型評估：雖然沒有分數，但有「資訊保留度」

降維不是為了分類，而是為了「壓縮」，所以我們看的是：

1. Explained Variance Ratio (解釋變異比)：在 PCA 中最常用。它告訴你：「雖然維度變少了，但我們還保留了原始資料中百分之幾的資訊？」
2. 重建誤差 (Reconstruction Error)：衡量將降維後的資料「還原」回高維空間時，損失了多少細節。
3. 下游任務表現：如果降維後，後續的分類或回歸速度變快且準確率沒掉，那就是成功的降維。

核心心法：為何非降維不可？

• 維度陷阱 (Curse of Dimensionality)：當資料維度越高，資料點之間的「距離」會變得越來越沒意義（大家都變得很遠）。這會導致像 KNN 或 KMeans 這種依賴距離的演算法失效。
• 線性 (PCA) vs 非線性 (IsoMap/t-SNE)：
  • 如果資料像一張平直的紙，用 PCA 直接投影最快。
  • 如果資料像捲起來的瑞士捲，你需要 IsoMap 這種能「攤平」空間的演算法，才能看清內部的結構。

補充：針對其他任務設計的流程

在地圖中，除了上述四大任務的主流流程外進行補充：

1. SGD (隨機梯度下降) — 大數據的救星

• 應用場景：當資料量大到幾十萬、上百萬筆，記憶體塞不下時（大於 100K 樣本）。
• 優勢：速度極快且支援「在線學習」，模型可以隨著新資料流入而不斷更新。在分類 (SGD Classifier) 與回歸 (SGD Regressor) 都有它的身影。

2. LASSO 回歸 (L1 正則化) — 自動特徵選取

• 應用場景：當特徵成千上萬，而你只想找出最有影響力的幾個時。
• 優勢：它能將無關特徵的係數壓縮為 0，達到「去蕪存菁」的效果。

3. Naive Bayes (貝氏分類器) — 文字處理的主場

• 應用場景：垃圾郵件過濾、情感分析。
• 優勢：基於機率運算，速度極快且在高維度的文字資料下表現驚人。

總結：你的實戰 SOP 建議

走完這四條航線，我們可以總結出一套實務上的決策流程：

1. 先定位，再選圖：確認你的資料量（>50 筆）與是否有標籤。
2. 從 Baseline 開始：
   • 分類：先試 Linear SVC。
   • 回歸：先試 Ridge。
   • 分群：先試 KMeans。
   • 降維：先試 PCA。
3. 觀察結果，跟隨地圖轉向：如果 Baseline 表現不佳（例如分類線太硬、分群太生硬），請毫不猶豫地跟隨地圖上的 「Try Next」 箭頭，轉向 RBF Kernel、GMM 或 IsoMap。
4. 數據決定上限，模型決定下限：良好的特徵工程永遠比模型選擇更重要，但選對模型能讓你更接近那個上限。