AI時代系列(1) 機器學習三部曲: 🔹 第一部：《機器學習 —— AI 智慧的啟航》
38/100 第四週：監督學習（分類）
38. 神經網路分類（ANN） 🧠 多層感知機（MLP）可以學習複雜模式，提高分類準確率！
神經網路分類（Artificial Neural Network, ANN）
🧠 多層感知機（MLP）能學習複雜非線性模式，提升分類準確率！
________________________________________
✅ 什麼是人工神經網路（ANN）？
人工神經網路模仿人腦神經元運作，能夠處理複雜且非線性的分類問題。
特別適合應對：
✅ 大量特徵
✅ 資料維度高
✅ 複雜模式辨識
其中，最常見的結構是 多層感知機（MLP, Multi-Layer Perceptron）。
________________________________________
✅ 多層感知機（MLP）結構概覽
輸入層（Input Layer）
↓
隱藏層（Hidden Layer） - 可有一層或多層，內部有大量神經元
↓
輸出層（Output Layer） - 產生最終分類結果
每一層的神經元透過 加權總和 + 激活函數（Activation Function） 運算，逐層學習數據特徵。
________________________________________
✅ 核心特點與優勢
🎯 能學習非線性關係：突破傳統線性模型限制
🎯 適應性強：能處理文字、圖片、音訊等不同型態數據
🎯 自動特徵提取：隱藏層可自動捕捉資料內的隱含模式
🎯 可擴展性高：增加神經元或層數即可應對更複雜問題
________________________________________
✅ 適用場景
🔥 圖片辨識（Image Classification）
🔥 語音識別（Speech Recognition）
🔥 文字分類（Text Classification）
🔥 金融風險評估 / 信用評分
🔥 醫療診斷（Disease Prediction）
________________________________________
✅ 常用激活函數（Activation Function）
函數名稱 數學公式 特點與適用場景
ReLU（Rectified Linear Unit）
f(x)=max(0,x)
________________________________________
✅ Python 簡單實作（以 sklearn MLPClassifier 為例）
python
from sklearn.datasets import load_digits
from sklearn.model_selection import train_test_split
from sklearn.neural_network import MLPClassifier
from sklearn.metrics import accuracy_score
# 載入手寫數字數據集
digits = load_digits()
X_train, X_test, y_train, y_test = train_test_split(digits.data, digits.target, test_size=0.2, random_state=42)
# 建立並訓練 MLP 模型
mlp = MLPClassifier(hidden_layer_sizes=(100,), activation='relu', max_iter=300, random_state=42)
mlp.fit(X_train, y_train)
# 預測與評估
y_pred = mlp.predict(X_test)
print(f"神經網路分類準確率：{accuracy_score(y_test, y_pred):.2f}")
這段程式碼展示了如何使用 Scikit-learn 建立一個簡單的多層感知器神經網路（MLPClassifier），對手寫數字圖片進行分類。程式首先載入 load_digits 數據集，將資料分為訓練與測試集，接著建立一個具有單層 100 個神經元、使用 ReLU 激活函數的神經網路模型，進行訓練。訓練完成後，對測試資料進行預測，並計算準確率，結果顯示模型在手寫數字分類任務上具有相當良好的表現，能有效辨識 0~9 的數字圖像。
________________________________________
✅ MLP 參數說明（重點）
hidden_layer_sizes=(100,) 隱藏層結構（可設多層，如 (100, 50)）
activation='relu' 激活函數選擇（relu、tanh、logistic）
max_iter=300 最大訓練迭代次數
solver='adam' 最優化算法（adam、sgd 等）
________________________________________
✅ 優缺點總覽
✅ 優點 ⚠ 缺點
學習能力強，能處理複雜非線性問題! 訓練時間長、需大量數據
自動提取特徵，減少人工干預! 容易過擬合，需搭配正則化
支援多分類與回歸問題! 超參數多，需謹慎調整
________________________________________
✅ 總結關鍵句
💡 「MLP 神經網路擅長挖掘複雜資料特徵，尤其在圖片、語音、文字分類等應用中效果卓越！」
________________________________________
如果你想延伸了解：
✅ 深度神經網路（DNN）與 MLP 差異
✅ 加入 Dropout 技術避免過擬合
✅ CNN、RNN 與 MLP 的應用比較
