[場景]
老徐坐在辦公桌前盯著手機，快4個小時了，銀行那邊遲遲沒有回覆消息。
為了推動新產線，他向銀行申請 2000 萬 的設備貸款。
資料早就交齊，往來紀錄也不差， 但整整三天，訊息就像被丟進黑洞。
終於，他鼓起勇氣撥通銀行電話。
對方語氣很客氣，卻只回了一句：
「經過電腦審核，貴公司目前無法通過核貸。」
電腦審核？
老徐愣住了。
他不是沒繳過稅、不是沒營收、也不是第一次跟銀行往來，
怎麼會連「談條件」的機會都沒有？
銀行口中的「電腦」，其實沒有你想得那麼神秘
很多人聽到「電腦審核」，
腦中浮現的都是黑箱、冷冰冰、沒人情味的畫面。
但事實上，在多數情況下，
銀行系統做的事情其實非常單純。
它不是在問：
「你這家公司會不會倒？」
而是在算一件事：
「你屬於『高風險族群』的機率有多高？」
這個判斷，來自你過去與現在的資料，例如：
- 營收結構
- 負債比例
- 過往還款紀錄
- 所屬產業的風險狀況
而在這類「信用好壞分類」的情境中，
最常被使用的模型之一，就是——
羅吉斯迴歸（Logistic Regression）。
在所有信用分類模型裡，羅吉斯迴歸常被視為入門款、不簡單的那一種。
🔍羅吉斯迴歸在做什麼？先別急著管名字
先放下這個有點拗口的名稱，我們只看它在幹嘛。
你可以這樣理解：
羅吉斯迴歸不是直接判你「行或不行」，
而是先算出一個「風險機率」。
例如，系統可能算出：
違約機率：42%
換句話說，系統看到的是：
「在過去條件相似的案例中，大約每 100 筆借貸，就有 42 筆出過問題。」
接下來，銀行才會依照內部規則做決定：
- 風險過高 → 直接拒絕
- 風險偏低 → 進一步審核或核貸
也就是說：
- 模型的工作：算機率
而「把對象分成高風險 / 低風險」這件事，本質上就是一種——
分類（Classification）。
為什麼不用「線性迴歸」就好？
如果只是要做預測，
為什麼不直接用大家比較熟悉的線性迴歸？
原因其實很直覺。
👉線性迴歸擅長的是：
- 預測金額
- 預測數值大小
👉但信用風險需要的是：
- 一個 0 到 1 之間的機率
- 而不是負數，或超過 100% 的結果
羅吉斯迴歸的關鍵特色就在這裡：
不論條件怎麼變，
它算出來的結果，永遠落在 0～1 之間。
這正好符合「機率」該有的樣子，
依據定義的標準，例如：0.5 ，進一步劃分：「通過 / 不通過」
所以它非常適合用來做「會 / 不會」、「是 / 否」這類判斷(分類)。
⚖️小結｜電腦沒有替你做決定，只是算了機率
在這一篇概念介紹文裡，先記住幾個重點：
- ✔ 羅吉斯迴歸常用來做「好 / 壞」這類分類判斷
- ✔ 它先算的是「屬於某一類的機率」
- ✔ 最終的准與不准，來自後續的規則與決策
老徐聽到的那句「電腦審核」，
背後其實不是一句冷冰冰的否定，
而是一條早就畫好的—— 風險分界線。
👉對銀行系統來說，它把老徐放進了一個「風險偏高」的盒子裡。
🧠本篇關鍵字整理：
- 輸入資料 → 營收結構、產業風險、還款紀錄 → 特徵 (Feature)
- 預測目標 → 是否核貸 → 標籤 (Label)
- 模型類型 → 找出風險機率 → 羅吉斯迴歸（Logistic Regression）
- 學習模式 → 參考過去記錄 → 監督式學習 (Supervised Learning)
👉下一篇：實務技術篇繼續拆解。
課程說明
🔖 以下內容為本系列的學習安排與閱讀指引。
- 為方便大家學習，我將全部章節進行劃分，詳見導覽文。
- 本系列文章區分為「免費文」與「收費文」，
目的在於清楚分開「初步認識」與「深入理解」兩個學習階段。 - 收費內容將在基礎概念之上，整合重點圖表與說明，並融入個人教學與應考經驗， 協助讀者建立可實際運用的理解框架。
- 各系列的收費文章皆以「考試情境」為主軸進行整理，
不僅補齊必要的模型原理與判斷邏輯，
亦會搭配模擬題與選項解析，
協助學習者從「看懂內容」，進一步轉化為「選得正確」。
