雖然「生成式 AI」最近在數位行銷公司出盡風頭，但當老闆丟給你一份幾百萬筆客戶分類的 Excel 報表，要求預測下個月的營收時，那些會畫圖、會寫詩的生成式 AI 竟然全部傻眼！
在這一篇《白話實驗室》中，我們將重返 Brainstorm 數位行銷公司的財務審核室。這一次，我們不談天馬行空的創意，而是要喚醒數據界身經百戰的老將們，準備好迎接「古典流派的逆襲」吧！
📖 第四卷：古典流派的逆襲（傳統機器學習）
(畫面轉場)
「歡迎來到白話實驗室。」
我是日野遼。如果你以為現在的 AI 只有 GPT 或 MidJourney，那就大錯特錯了。在真實的商業世界裡，真正幫公司賺錢、算機率、做預測的，往往是那些名字聽起來很老派的「傳統機器學習」模型。
今天，首席研究員「宙猩」將帶我們認識這群不搞創意、只看數據的冷酷精算師。看看他們是如何在雜亂無章的報表中，一眼看穿客戶的錢包！
Step 1: 職場情境劇 (Story Mode)
🎬 劇名：《財務報表與數據老將的逆襲》
【主要角色】
- Jason（行銷總監 / 慣老闆）： 拿著雜亂的客戶 Excel 表，想知道誰會買單，誰只是來逛逛。
- 艾莉 (Elly)： 負責調度「機器學習老將」的數據戰術分析師。
- 老陳（資深會計）： 在公司待了 20 年，性格古板但判斷精準的人類代表。
【劇情開始】 地點：Brainstorm 行銷公司 財務審核室。
「艾莉，那些會畫圖的 AI 漂亮是漂亮，但這張報表它們讀不懂啊！」Jason 拍著桌子，「我只想知道，廣告預算投下去，營收會長多少？還有這群客戶，到底會不會下單？」
艾莉推了推眼鏡：「總監，對付數據報表，我們不需要藝術家，我們需要的是『統計精算師』。這就是傳統機器學習的戰場。」
1. 鐵口直斷的算命師：回歸系列與 SVM
「如果您想預測具體的數字，比如『明年業績會漲幾趴』，我們要請出 線性回歸 (Linear Regression)。」艾莉畫了一條直線，「它就像老陳，看著過去的成長趨勢，拉出一條直線預測未來。」
「那如果只是要分『買』或『不買』呢？」
「那就是 邏輯回歸 (Logistic Regression)。」艾莉解釋，「雖然它名字裡有回歸，但它其實是個『二選一裁決官』，專門處理這種是非題。」
「如果客戶資料很亂，分不清楚呢？」Jason 追問。
「那就請 SVM (支持向量機) 出場。它就像一個專業保全，會在兩群人之間強行劃出一條『最寬的緩衝區』，把好客與奧客分得清清楚楚。」
2. 團隊合作的選舉大戰：決策樹與集成學習
「我有個更簡單的方法，」Jason 說，「叫大家投票決定不就好了？」
「這就是 集成學習 (Ensemble) 的精髓！」艾莉眼睛一亮，「決策樹 (Decision Tree) 就像是一個愛問問題的實習生，問完『有沒有錢？』、『有沒有需求？』後做決定。但一個實習生容易偏頗，所以我們找來一百個實習生組成 隨機森林 (Random Forest)。」
艾莉接著比喻：「這種『大家同時投票，少數服從多數』的方法叫 Bagging；但如果我們讓實習生輪流練習，後一個專門修正前一個的錯誤，這種接力賽的訓練法就叫 Boosting。」
3. 數據界的超跑：三巨頭
「最後，為了對付您那幾百萬筆的廣告數據，我們有三台採用 Boosting 技術的超跑。」艾莉秀出三張規格表：
- XGBoost：拿過無數數據競賽冠軍的『全能超跑』。
- LightGBM：專門處理大數據，『速度最快』的跑車。
- CatBoost：專門對付報表裡的文字類別（如城市、職業），是『類別資料專家』。
Jason 點點頭：「懂了。生成式 AI 是美編，這些機器學習老將才是我的軍師跟會計啊！」
Step 2: 觀念對照表 (Decoding)
🐒 宙猩解碼時間 看懂了這群數據老將的專長，是不是覺得傳統演算法其實非常直觀？現在，跟著宙猩一起，把這些精算神技嚴格對齊到正式的技術專有名詞上：
- 📈 線性回歸 (Linear Regression)
- 白話解析： 看趨勢算數字的算命仙。
- 核心概念： 透過擬合一條直線，來預測連續數值（例如：房價、點擊率、營收）。
- ⚖️ 邏輯回歸 (Logistic Regression)
- 白話解析： 二選一裁決官。
- 核心概念： 雖然名為回歸，但主要用於處理二元分類問題（例如：買/不買、是/否）。
- 🚧 SVM (支持向量機)
- 白話解析： 強行劃分緩衝區的保全。
- 核心概念： 尋找能最大化間隔 (Margin) 的超平面，將不同類別的資料清晰分開。
- 🌳 決策樹 (Decision Tree)
- 白話解析： 邏輯問答題實習生。
- 核心概念： 呈現樹狀結構，根據特徵屬性一層層進行邏輯判斷與分類。
- 🤝 集成學習 (Ensemble)
- 白話解析： 團結力量大的投票大會。
- 核心概念： 結合多個弱學習器（如多棵樹）來提升整體的預測準確度與穩定性。
- 🌲 隨機森林 (Random Forest)
- 白話解析： 百人投票大會。
- 核心概念： 集成學習的一種，由多棵獨立並行生成的決策樹組成，最終取多數決。
- 🛍️ Bagging
- 白話解析： 大家同時並行投票。
- 核心概念： Bootstrap Aggregating 的簡稱，透過並行訓練多個獨立模型來降低變異性（如隨機森林）。
- 🏃♂️ Boosting
- 白話解析： 後浪補前浪的接力賽。
- 核心概念： 序列式的集成學習，後面的模型重點學習並修正前面模型預測錯誤的樣本。
- 🏎️ XGBoost
- 白話解析： 數據競賽的全能冠軍。
- 核心概念： 極度優化過的梯度提升樹 (GBDT) 演算法，效能與準確率極高。
- ⚡ LightGBM
- 白話解析： 速度最快的大數據跑車。
- 核心概念： 微軟開發的演算法，使用直方圖與單邊梯度採樣，訓練速度極快、佔用記憶體小。
- 🐈 CatBoost
- 白話解析： 類別資料處理專家。
- 核心概念： Yandex 開發，原生支援且完美處理類別型特徵（Categorical Features），無需手動轉換。
Step 3: 職場情境探討 (Apply Mode)
👓 日野遼的實戰道場 理解了這群數據老將的強項，現在換你來當總監點將了！宙猩準備了 3 個真實的職場情境，看看你能不能精準派對模型出場解決問題：
📝 【情境 1｜預測數值與分類的抉擇】
Brainstorm 公司想要預測「下一季的具體廣告點擊次數」。如果總監指名要用「邏輯回歸 (Logistic Regression)」，你會怎麼建議他？
💡 正確答案：請總監改用「線性回歸」或 XGBoost。
🧠 原理白話解： 「廣告點擊次數」是連續不斷變化的具體數字。邏輯回歸雖然名字裡有「回歸」，但它是專門用來做「分類」的（例如預測這則廣告「會 / 不會」被點擊）。要預測具體連續數值，必須派線性回歸出場。
📝 【情境 2｜團隊合作模式的差異】
工程師在報告時提到，他們使用了「隨機森林」來預測客戶流失率，並說這是一種「讓後面的樹去修正前面的樹的錯誤」的技術。這句話哪裡有問題？
💡 正確答案：「隨機森林」是 Bagging（並行），不是 Boosting（串行）。
🧠 原理白話解： 隨機森林的邏輯是「大家同時投票（Bagging）」，每棵決策樹都是獨立作業、互不干擾的。真正「後浪推前浪、讓後面模型修正前面錯誤」的接力賽技術，叫做 Boosting（例如 XGBoost）。
📝 【情境 3｜處理繁雜的文字類別報表】
客戶傳來一份高達兩百萬筆的會員資料，裡面包含大量的「居住城市」、「職業」、「喜好標籤」等純文字類別特徵。為了節省手動把文字轉成數字的處理時間，該派哪台超跑出場？
💡 正確答案：派出「CatBoost」
🧠 原理白話解： CatBoost 的 "Cat" 就是 Categorical（類別）的縮寫。它天生內建了處理這類文字標籤的強大機制，不需要工程師辛苦地做 One-Hot Encoding（特徵轉換），是處理類別資料的最佳解答。
Step 4: 洗腦速記表 (Cheat Sheet)
🦍 宙猩的速記大補帖 傳統機器學習名詞太像？把這份口訣存進手機，開會或提案前瞄一眼，11 個名詞瞬間解鎖，讓老闆覺得你超級專業！
- 📈 線性回歸 👉 拉出一條線，預測能變現（算數值）
- ⚖️ 邏輯回歸 👉 雖然叫回歸，分類站好隊（判是非）
- 🚧 SVM 👉 劃清楚河界，緩衝最優越（切蛋糕）
- 🌳 決策樹 👉 邏輯問答題，一步步分析（20個問題）
- 🤝 集成學習 👉 團結力量大，模型一起上（打群架）
- 🛍️ Bagging 👉 同時並行投，大家一起謀（平行投票）
- 🌲 隨機森林 👉 森林大投票，穩健又可靠（Bagging代表）
- 🏃♂️ Boosting 👉 弱弱相扶持，後浪補前失（接力修正）
- 🏎️ XGBoost 👉 效能大怪物，競賽常勝軍（全能超跑）
- ⚡ LightGBM 👉 運算快如光，大數據最香（光速超跑）
- 🐈 CatBoost 👉 類別資料來，通通它來排（類別專家）
🚀 下集預告：第五卷 內功心法（學習範式）
如果說今天介紹的 回歸、SVM、決策樹與 Boosting 是 AI 手中的「武器」， 那麼真正決定 AI 能不能變強的，其實是 它的學習方式。
在下一集《白話實驗室》中， 日野遼與宙猩將帶大家走進 AI 的訓練營。
我們將揭開三種最核心的學習模式：
- 監督學習（Supervised Learning）：老師給答案的標準訓練法
- 無監督學習（Unsupervised Learning）：AI 自己找規律
- 強化學習（Reinforcement Learning）：做對就給獎勵的遊戲訓練
原來 AI 並不是「突然變聰明」， 而是透過不同的學習方式，一步一步修煉出來的。
💬 互動問題
如果你是 Brainstorm 公司的 AI 顧問， 遇到下面三個任務，你會派誰出場？
A. 公司想預測「下一季營收成長率」 （要得到一個具體數字）
B. 行銷部想判斷「哪些客戶會購買新產品」 （只有會 / 不會兩種結果）
C. 客戶資料有 200 萬筆， 裡面包含大量 城市、職業、興趣標籤 等文字類別資料
留言告訴 宙猩 你的答案與理由！
我們下一集《白話實驗室》見。 🐒
✦ White-Lab 本篇重點
當 AI 不只是會 畫圖、寫文章， 還能 預測數據、分析客戶、計算風險， 它背後其實依賴的是 傳統機器學習模型。
在本篇《白話實驗室》中， 我們透過 職場情境劇與真實商業案例， 解析以下核心技術：
- 線性回歸（Linear Regression）
- 邏輯回歸（Logistic Regression）
- SVM（支持向量機）
- 決策樹（Decision Tree）
- 集成學習（Ensemble）
- Random Forest
- Bagging
- Boosting
- XGBoost
- LightGBM
- CatBoost
帶你理解 AI 在真實商業世界裡如何做決策與預測。
📚 教材章節對應索引（WHITE LAB｜Vol.04）
本篇為《第四卷：古典流派的逆襲（傳統機器學習）》之導讀總覽故事， 內容涵蓋以下教材章節之核心技術定義：
🔹第四卷 第一章：回歸與邊界
- 線性回歸（Linear Regression）
- 邏輯回歸（Logistic Regression）
- SVM（支持向量機）
🔹第四卷 第二章：樹狀模型與集成
- 決策樹（Decision Tree）
- 集成學習（Ensemble）
- 隨機森林（Random Forest）
- Bagging
- Boosting
🔹第四卷 第三章：梯度提升三巨頭
- XGBoost
- LightGBM
- CatBoost
📌 本卷共收錄 11 項傳統機器學習專有名詞， 作為後續「古裝版教材」、「iPAS 模擬題」與「觀念對照卡」生成之唯一依據。
