前言：
在學習 機器學習 和 AI 的過程中，我們會接觸到許多不同的算法，而其中有三個算法經常會讓人混淆，它們分別是 決策樹（Decision Tree）、支持向量機（SVM） 和 K-means。雖然它們都用來處理資料，但每一個算法的應用場景和運作方式都有所不同。為了讓大家更容易理解這三個算法，這篇文章將用簡單的例子來解釋每個算法的分析原理、性質，並且幫助大家進一步了解它們在AI系統中的運作，無論是在學習過程中還是準備考試時，這些例子都能幫助你更快速地掌握這些概念。
1. 決策樹（Decision Tree）
- 分析原理：決策樹是從大範圍的資料開始，根據每個特徵逐步提問來進行分類，最終將資料歸類到特定的類別。每個節點是根據特徵來分支，直到資料點被分配到葉子節點。
- 性質：分類
- 原因：決策樹通過對資料進行分支，最終將資料分類成不同的類別。
- 冰淇淋的例子：
- 決策樹會先問：「天氣是否炎熱？」如果答案是「是」，接著會問：「顧客年齡是否在18歲以上？」如果答案是「是」，那麼預測顧客會購買冰淇淋。
2. 支持向量機（SVM）
- 分析原理：支持向量機是基於資料的特徵，尋找最佳的分界線，將資料分為兩類，像是在二維空間中進行聚焦，最大化兩類之間的距離來提升分類精確度。
- 性質：分類
- 原因：SVM 將資料點分類為兩類，並找到最佳分界線來最大化分類的準確性。
- 冰淇淋的例子：
- 支持向量機會根據顧客的年齡和天氣來畫出一條分界線，顧客年齡小於35歲且天氣炎熱的顧客會被劃分為「會購買冰淇淋」的一類，年齡大且天氣涼爽的顧客會被劃分為「不會購買冰淇淋」的另一類。
3. K-means
- 分析原理：K-means 是從大範圍的資料開始，根據資料的相似性將資料自動分為幾個群組。每個群組的資料點內部相似性高，群組間的資料點差異大，直到群組分配不再改變。
- 性質：分群
- 原因：K-means 用來將資料分成幾個群組，並依據顧客的相似性來自動分組。
- 冰淇淋的例子：
- K-means 會將顧客根據年齡和購買冰淇淋的時間（如夏天購買）自動分為兩個群組：
- 年輕顧客群（例如25歲以下的顧客，並且夏天購買冰淇淋的顧客會放一組），
- 年長顧客群（例如年齡較大的顧客，可能會放在另一組，並且依然會購買冰淇淋）。
- 接著，K-means會根據顧客特徵再次調整群組的邊界，逐步內縮，直到群組穩定不變，每個群體的顧客特徵更加相似。
總結彙整：
