專家經驗和機器學習取得的「權重」的差異，以及可能的整合方式。

內容

• 定義
• 取得權重的兩種途徑
• 取得權重後做什麼？
• 現況與建議
• 結論
• 最後

定義

權重是指，不同測量指標對於目標變數的相對重要程度。

總成績 = 1*國文 + 1.5*英文 + 1*數學

個人收入 = 1.2*教育年數 + 3.6*工作年資 + 4.8*所屬產業別

取得權重的兩種途徑

專家經驗

透過大量的經驗累積，取得專業領域知識的人，藉由這些專家的知識，針對目標的看法，給予不同指標的相對重要性。如同前面的例子，學校科系對於學生的錄取標準，即是透過各科系的教職員討論決定出英文的權重為1.5、數學和國文的權重為1等。又或者，假設要知道入境旅客走私的風險高低，海關官員可能依照專業經驗，給定「從A、B、C國家出境」的風險權重為4.5，「從D、E國家出境」的風險權重為2.1，「出入境次數」的風險權重為1.3，則表示從A、B、C國家出境的旅客，相對於從D、E國家出境的旅客風險高；而出入境次數越多，可能的風險也越高。

專家經驗倚賴專家長時間的經驗累積，以此做為給定權重的基礎，進行可能的篩選機制、風險判斷等。而當需要整合多個專家的意見時，透過「會議討論」是一種做法；然而，相對科學的方式是透過例如層級分析法(Analytic Hierarchical Process，AHP)，設計成對比較(pairwise comparision)問卷給予專家填寫後，透過特徵向量分解(eigenvector decomposition)後，取得最大特徵值(eigenvalue)對應特徵向量(eigenvector)，作為最終的專家權重，也是常見方法之一。

然而，專家經驗的限制在於需要長時間的專家知識累積，當專家離開組織後，必須有對應的知識接班，例如許多組織建立知識管理(knowledge management)系統即試著藉此留下專家經驗，但往往知識管理系統淪為檔案集散地，真正的專家經驗可能也只留存在下一代專家的腦海中。

機器學習方法

專家經驗倚賴專家的知識累積；相對的，機器學習方法則是倚賴資料的累積，並結合機器學習演算法(machine learning algorithm)，從中取得權重，例如常見的決策樹(decision tree)、多元線性迴歸(multiple linear regression)、類神經網絡(artificial neural network)等，由資料中學習所需要的權重。

例如研究蒐集到約1,600人的個人收入、父母教育年數、個人教育程度和年數、工作地、性別等資料，進一步針對這1,600筆的資料，結合多元線性迴歸，即可知道當教育年數每增加1年時對於個人收入的增加2,800元，而女性收入相對於男性的較低(-11,800)等結果。

當然，機器學習方法也有限制，包含是否有足夠的歷史資料累積，以及是否有好的資料品質。當無足夠高品質的資料，機器難以從有限或品質不佳的資料中取得有用的規則，遑論進行好的推論或預測應用。此外，機器學習往往需要外尋機器學習專家協助建立權重和系統，短期成本相對於專家經驗高。

整體而言，專家經驗和機器學習方法取得權重的方式不同，專家經驗仰仗知識累積而成的領域專家給予權重，而機器學習方法則是依靠資料累積結合演算法取得權重，且各自有其限制。

取得權重後做什麼？

現況與建議

結論

最後