機器學習 (上集) 監督式學習：分類與模型評估

上一篇初步了解 AI 這個領域的分類和常用名詞，機器學習我將會拆成上集「監督式學習」、上級「監督式學習：預測」與 下集「非監督式學習」。

1. 監督式學習 (Supervised Learning)

1.1 分類 (Classification)

Logistic Regression 邏輯回歸：解釋如何進行分類預測。

在機器學習中，邏輯回歸是解決二元分類問題（正負、是否）的方法，雖然有「回歸」這兩個字，但主要用於分類，作為預測的是 Linear Regression 線性回歸。

• 它的目的是將輸入的特徵（如年齡、收入等）投射到一個機率值(介於0到1)，以決定該樣本屬於某個類別的機率。

黃色的這條線是 Sigmoid 函數 計算出屬於某類別的機率，(此函數的數學較複雜，我就放棄了) Sigmoid 函數將任何實數 z 投影到 0 到 1 之間的範圍。

舉例

假設要預測一位顧客是否會購買產品：

• 特徵：年齡、收入。
• 模型輸出：購買的機率（如 0.8 表示 80% 機率會購買）。
• 結果：若機率 > 0.5，則預測該顧客會購買。 0.5 的值可以隨使用者定，並不是定值

Logistic Regression in 3 Minutes圖片來源

Confusion Matrix：介紹混淆矩陣的組成與用途。

想像今天我要用一刀切資料，一定會有資料被是誤判。這些狀況可以用 Ture / Fasle 表示，寫成 Consion Matrix，讓我拿 Google 的影片來舉例。

Machine Learning Crash Course: Classification

一、先隨機切，左半邊全是 Nagative，右半邊全是 Positive (但是一定有被錯誤分類的，例如實際陰性被歸類為陽性，實際陽性被歸內為陰性。

刻度量尺是 Threshold，Threshold 是一個設定的分界值，通常用在機率型模型（例如 Logistic Regression）中，來決定預測的類別標籤。模型通常會輸出一個機率（例如輸出一個數值在 0 到 1 之間），而 threshold 決定了這個機率需超過多少時，才能被分到某個類別。例如小於0.5 被歸類為負，大於被歸類為正。

二、混淆矩陣出現：共四種情況

• True Positive (TP)：模型正確預測為正類（實際是正，預測也為正）。
• False Positive (FP)：模型錯誤預測為正類（實際是負，但預測為正，稱為「假警報」）。
• False Negative (FN)：模型錯誤預測為負類（實際是正，但預測為負，稱為「漏報」）。
• True Negative (TN)：模型正確預測為負類（實際是負，預測也為負）。

性能評估指標：Accuracy, Precision, Recall, F1 Score

透過混淆矩陣，我們可以計算多種指標，例如：( 數學公式請 ChatGPT 生成）

生活化例子：

假設你設計一個垃圾郵件分類器：

• TP：垃圾郵件被正確分類為垃圾郵件。
• FP：正常郵件被錯誤分類為垃圾郵件（誤刪重要信件）。
• FN：垃圾郵件被錯誤分類為正常郵件（可能讓詐騙郵件進入收件匣）。
• TN：正常郵件被正確分類為正常郵件。

痾... 還是分不清楚，沒關係，以下我會用這個影片解釋：

Never Forget Again! // Precision vs Recall with a Clear Example of Precision and Recall

用橘子和蘋果當資料，總共 10 顆水果。

Accuracy：

有哪些水果是正確被分類的？橘子邊的橘子４顆，加上蘋果邊真的是蘋果的３顆。

用 Accuaray 的計算有盲點，如果資料是極度不平均，例如 990 顆橘子跟 10 顆蘋果，準確率高達99% (990/1000) 模型很可能會跟我說「全部都是橘子」。

這時候就需要 Precision 跟 Recall 概念。我們主要關注 蘋果的類別。

Precision:

被分在蘋果邊中的水果有5個，真正是蘋果邊的有3個，所以 Precision 是 60%。

Recall:

全部的蘋果，有多少蘋果是被正確分類的？３顆，所以是3/4=75%。

提高 召回率（Recall），但可能犧牲 精確率（Precision）。如果我將模型重新調整：使 Precision 提高，但 Recall 就降低

範例應用

1. 醫學診斷：
2. • 如果是癌症篩檢，應選擇較低的 threshold，因為寧可多檢查一些非癌症病例（提高召回率，犧牲精確率)，雖然會有「偽陽性」出現，也不想漏掉真正的癌症患者。
2. 垃圾信分類：
3. • 如果分類錯誤成本高（不想錯誤地將重要郵件分類為垃圾），可選擇較高的 threshold，來提高精確率。

ROC Curve & AUC：如何使用ROC曲線與AUC評估模型效能。

延續上一段，我們會調整 Threshold，在 Precision 和 Recall 之間取得平衡。通常我們會透過 ROC 曲線 或 Precision-Recall 曲線 來幫助選擇最佳的 threshold。

ROC (Receiver Operating Characteristic)

繪製 ROC True Positive Rate (TPR) 和 False Positive Rate (FPR) 的變化。

• 橫軸 (X): False Positive Rate (FPR)
• • 定義：假陽性率 = 假陽性數量 / (假陽性數量 + 真陰性數量)。
  • 代表模型誤將負類別判為正類別的比例。
• 縱軸 (Y): True Positive Rate (TPR)
• • 定義：真陽性率（也叫 Recall）= 真陽性數量 / (真陽性數量 + 假陰性數量)。
  • 代表模型正確判定正類別的比例。

ROC 曲線展示的是模型如何在不同的閾值下平衡 TPR 和 FPR。

實際畫 ROC 的範例：

先畫第一個點，找到 TPR 畫虛線，再用 FPR 畫第二個虛線。交集處為第一個點，以此類推。

畫出線之後，要檢驗

AUC (Area Under the Curve)

AUC 是 ROC 曲線下的面積，數值介於 0 到 1 之間。

• AUC 的意義：
• • AUC 越接近 1，表示模型性能越好。
  • AUC = 0.5 表示模型和隨機猜測差不多（沒有預測能力）。
  • AUC 越低於 0.5，表示模型在分類時表現得非常糟糕，甚至反向。
• 直觀解釋：
• • AUC 代表從數據集中隨機選一個正樣本和負樣本，模型能正確區分它們的概率。

同時適用於分類和回歸的方法：

KNN (K-Nearest Neighbors)：簡單值觀的機器學習演算法，不需要有回歸公式參數。它根據資料點與鄰近點的距離，決定該點的分類或預測值。

參考影片

All Machine Learning algorithms explained in 17 min

核心概念：

1. 鄰近概念：KNN 使用距離（例如歐幾里得距離）來衡量資料點之間的相似度。
2. K 值：K 是鄰近點的數量，演算法會考慮最近的 K 個點來決定輸出。
3. 投票：對於分類問題，KNN 會基於 K 個最近點的多數類別進行分類；對於回歸問題，則取鄰近點的平均值作為預測。

例子：

假設你有一個資料集，包含紅色 (類別 A) 和藍色點 (類別 B)。當一個新點加入時，KNN 會計算它與所有已知點的距離，然後選取最近的 K 個點來決定新點的類別。例如，K = 3時，會選擇新加入的點附近三點，如果附近的3個點，有兩個是紅色1個藍色，新加入的點就被歸類為紅色。

優點：

• 簡單易懂，無需訓練過程。
• 對於小型資料集效果良好。

缺點：

• 計算量隨資料集大小增加。
• 對於高維度資料表現可能較差（受「維度詛咒」影響）。

SVM (Support Vector Machines) & Kernel Trick：支持向量機的核心概念與核函數技巧的作用。

目的是在不同類別之間找到「最佳的分隔線（或分隔超平面）」。（摩西分紅海?）　這個概念最在「多維度的資料」之中最有效過。

最佳的分隔線應該要 最大化兩個類別之間的邊界距離。

1. 分隔線（Hyperplane）：將資料分成不同類別的線（在高維度空間中可能是平面或超平面）。
2. 支持向量（Support Vectors）：最靠近分隔線的資料點，決定分隔線的位置與方向。
3. 邊界距離（Margin）：從分隔線到最近的支持向量的距離，目標是讓這個距離最大化。

冷知識：為什麼明明是點，要取名為「Support Vectors」?

在數學裡，vectors（向量）是一種表示空間中方向和大小的數學工具。在 SVM 裡，每一筆資料（例如一個座標點）都可以視為一個向量，因為它有多個特徵，可以用向量來表示它們在空間中的位置。

舉例來說，如果有兩個特徵（例如年齡和薪水），每筆資料就可以被看成一個平面上的點或一個向量 [x,y]。這些向量決定了資料分布，SVM 則利用這些向量來畫出分界線。這些點「支撐」了 SVM 所畫出的分界線，它們決定了分界線的位置和方向。（要有一點想像力哈哈）

Kernel Trick (核函數技巧)

當資料無法用直線分開時，我們可以利用 Kernel Trick，將資料從低維空間轉換到高維空間，使其在高維空間中可線性分隔。

1. 線性核（Linear Kernel）：適用於資料本身可線性分隔的情況。
2. 多項式核（Polynomial Kernel）：對於非線性分隔資料，提供更多彎曲的決策邊界。
3. RBF（Radial Basis Function）核：將資料映射到無限維空間，能解決更複雜的分隔問題。

SVM 的應用

• 圖像識別（如手寫數字辨識）
• 疾病預測（如癌症檢測）

Naive Bayes Classifier：貝氏定理 (Bayes' Theorem) 的分類演算法

先看這個分類方式主要用在哪裡。因為我高中機率快忘光光，所以就不詳細研究這個主題。

垃圾郵件分類

1. 特徵：郵件的詞彙（例如 "免費"、"促銷"）。
2. 類別：垃圾郵件 SpamSpamSpam 和正常郵件 NotSpamNot SpamNotSpam。
3. 訓練：根據歷史郵件，計算每個詞出現在垃圾郵件和正常郵件中的機率。
4. 預測：對新郵件計算其屬於垃圾郵件和正常郵件的機率，選擇機率較高的類別。

假設我們要分類一組電子郵件是否為垃圾郵件，訓練數據集中 40% 是垃圾郵件，60% 是非垃圾郵件。垃圾郵件的先驗機率（Prior Probability）已知的機率是

• Decision Trees：介紹決策樹的結構與分割方法。

每個節點往下都用「是否」問句來分類，或是二分法，例如我們要建立一個決策樹來預測一位動物，特徵包含身高、水生或陸地動物、脖子長短等等。

這樣聽起來很簡單，怎麼做到機器學習？如果把很多決策樹合在一起就可以做到了。這個技術就是 Bagging & Random Forests

Ensemble Algorithms：

• Bagging (Bootstrap Aggregating)（自助聚合法）:
  • 透過選取隨機的資料集，做獨立訓練。
  • 每個模型都會在不同的重抽樣資料上進行訓練，最終的預測是透過平均（回歸問題）或投票（分類問題）來決定。
  • 隨機森林 (Random Forests)是一個典型的例子. 它「同時」訓練不同的決策樹，再把每顆樹的結果整合，用來精準預測。
• Boosting（提升法）:
  • 逐步的訓練，第二個新模型的目的，是修正前一個模型所犯的錯誤。比 Bagging 精準，但會出線 Over-fitting 的問題。
  • 模型會根據錯誤的樣本給予高權重，下一次訓練時就可以更注意修正錯誤
  • 例如 Adaboost (自適應提升法) 和 梯度提升法 (Gradient Boosting)。在 Adaboost 中，會將多個弱分類器結合成一個強分類器，而梯度提升法則是通過步步降低誤差來進行訓練。（這已超出我腦袋能理解的範圍XD）

1.2 預測 (Prediction) --> 下集待續

• Linear Regression：解釋線性迴歸的數學模型與應用。