迴歸
含有「迴歸」共 10 篇內容
全部內容
發佈日期由新至舊
本節介紹機器學習的生命週期，以及如何用Keras建立用於分類和迴歸的模型。
非監督式學習（Unsupervised Learning）用來處理沒有答案的資料。它不依賴事先標記好的答案，而是透過觀察資料本身，找出相似性、隱藏關係與整體結構，幫助我們理解資料「長什麼樣子」。因此，非監督式學習常被用在資料探索、前處理與策略分析。當問題尚未被清楚定義時，它往往是第一個登場的工具。
付費限定
本篇延續羅吉斯迴歸的分類概念，帶你認識其他常見的分類模型，包括 KNN、SVM、貝氏分類與決策樹。文章不談公式與數學推導，而是從「模型在想什麼」出發，用生活化比喻說明各模型的判斷邏輯與特性差異，幫助你在看到題目描述時，能快速辨認適合的模型類型。適合剛入門的讀者，建立分類模型的整體輪廓與直覺判斷能力。
付費限定
銀行拒絕核貸，真的只是「不通過」嗎？
本篇從老徐的核貸案例出發，帶你理解羅吉斯迴歸如何用 Sigmoid 函數 將風險分數轉為機率，並透過 損失函數 與 梯度下降 不斷修正模型。重點解析 Accuracy 為何直覺卻不可靠，以及它在分類問題中的限制。讀完你會明白：模型算的不是答案，而是風險。
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」
付費限定
不是所有「預測數值」的問題，都適合線性迴歸
什麼時候「線性迴歸開始不夠用」？
1. 關係明顯不是直線(非線性)
2. 不同狀況，行為模式完全不同(時間關係)
3. 因素之間有交互影響(交互作用)
4. 資料分布非常不平均(資料結構)
監督式學習與非監督式學習，是機器學習中最關鍵的兩種學習方式。
監督式學習以有標註資料為基礎，透過分類與迴歸建立可重複使用的判斷規則，適合用於預測與決策；
非監督式學習則在沒有答案的情況下，協助理解資料結構，例如分群與降維。
唯有先釐清學習方式，後續的模型選擇與評估，才不會從一開始就走偏。
為什麼老闆或主管最愛問「迴歸型問題」？
站在老闆的角度，其實很合理。
因為：
分類可以幫助決策，
分群可以幫助理解結構，
但真正影響經營的，通常是：
1. 預算要抓多少？
2. 庫存要準備多少？
3. 要不要擴店？要不要加人？
這些問題，最後都會落到一個「數字」。
本文深入探討機器學習的核心概念，包括迴歸、分類和生成式學習。我們解釋了如何使用特定函式來實現期望任務，並將此過程分為設定範圍、確立標準和實現目標三個階段。文章還介紹了如何使用機器學習來訓練和測試模型，並以寶可夢應用為例說明迴歸和分類問題。
很年輕就成為英國皇家學會成員的蓋爾頓熱心於測量人類的各種特徵，促成了優生學和許多統計技術的出現，其中，他的學生更據以發展出回歸技術，讓數字人可以在資料不完備的情況下做出預測。只是，如果蓋爾頓聽到台灣的疫情簡報，也會想問：「你們是想預測什麼呢？」
