歡迎來到應用機器學習的世界！

你好！歡迎來到 CS2 課程中最令人興奮的部分之一。在之前的章節中，你已經學習了各種模型的理論，現在我們要看看如何實際使用軟件（如 R）來應用這些理論。具體來說，我們將聚焦於監督式學習（Supervised Learning）。

你可以將監督式學習想像成一位學生（電腦）跟隨一位老師（數據）學習的過程。老師提供答案（標籤），而學生嘗試找出規律，以便日後能正確回答新的問題。無論你是要預測保險理賠金額，還是決定保單持有人是否會續約，本章都將為你提供完成任務的路線圖。

1. 兩大問題：迴歸與分類

在監督式學習中，每個問題通常都屬於兩大類之一。辨別你正在處理哪一類，是選擇正確軟件工具的第一步。

迴歸（Regression，預測數值）

當我們想要預測的輸出是一個連續數值時，我們會使用迴歸。
例子：預測汽車保險理賠的具體金額。
類比：預測明天的氣溫。氣溫可能是 20.5 度、21.2 度等。

分類（Classification，預測類別）

當輸出是一個標籤或類別時，我們會使用分類。
例子：預測人壽保險申請人屬於「高風險」還是「低風險」。
類比：將郵件分類為「垃圾郵件」或「非垃圾郵件」。

小撇步：如果你可以用手指數出可能的答案（是/否、紅/藍/綠），那通常是分類；如果有無限的可能性（如價格或年齡），那就是迴歸。

2. 軟件中的一般工作流程

無論你使用哪種特定的演算法，軟件中的操作過程都遵循一套標準的「食譜」。別擔心這聽起來很深奧，這就像跟著烹飪教學做蛋糕一樣簡單！

第一步：數據準備（Data Preparation）
軟件需要乾淨的數據。這包括處理缺失值，並確保電腦能理解變量（例如，將「男/女」轉換為 0 和 1 等數字）。

第二步：分割數據（訓練集 vs. 測試集）
這點至關重要！我們將數據分為兩部分：
1. 訓練集（Training Set）：模型用來「學習」規律的數據。
2. 測試集（Test Set）：一場「期末考試」，使用模型從未見過的數據來檢驗其表現。

第三步：模型擬合（Model Fitting）
這一步我們指示軟件將演算法（如決策樹或 GLM）應用於訓練數據上。

第四步：預測與評估
我們使用擬合後的模型對測試集進行預測，並將預測結果與實際的「真實」答案進行比較，看看模型準確度如何。

重點提示：永遠不要在訓練模型的同一組數據上測試它。這就像在考試前一晚給學生看考題一樣——他們並不是在學習，而是在死記硬背！

3. 關鍵的監督式學習技術

CS2 課程強調了幾種軟件可以實作的技術，以下是幾種重量級技術的簡介：

廣義線性模型（GLMs）

GLM 是精算界「久經考驗的可靠工具」。它們擴展了標準線性迴歸，以處理不同類型的數據（如計數數據或二元結果）。
軟件實作：通常涉及選擇一個分佈（如用於索賠次數的 Poisson 分佈）和一個連結函數（Link Function）（用於將預測變量與均值聯繫起來）。

決策樹（Decision Trees）

決策樹看起來就像一個流程圖。軟件根據最能提供資訊的特徵對數據進行「分割」。
類比：「二十個問題」遊戲。（駕駛年齡是否大於 25 歲？若是，走左邊；若否，走右邊。）
常見分割準則：
- 針對迴歸：殘差平方和（RSS）。
- 針對分類：基尼不純度（Gini Impurity）或熵（Entropy）。

隨機森林（Random Forests）與提升法（Boosting）

有時單一棵樹是不夠的，我們使用「集成（Ensemble）」方法將多棵樹結合起來。
- 隨機森林：獨立建立多棵樹，然後取平均值（迴歸）或多數投票（分類）。這被稱為自助聚合（Bagging）。
- 梯度提升（Gradient Boosting）：逐一建立樹，每一棵新樹都試圖修正前一棵樹所犯的錯誤。

神經網絡（Neural Networks）

這些模型的靈感來自人腦，由多層「神經元」組成。
結構：輸入層 -> 隱藏層 -> 輸出層。
它們對於處理複雜規律非常強大，但往往被視為「黑盒（Black Box）」，因為很難解釋它們 為什麼 會做出特定的預測。

你知道嗎？雖然神經網絡很流行，但對於許多涉及結構化表格數據的精算任務，梯度提升機（Gradient Boosting Machines）的表現往往一樣好，甚至更好！

4. 衡量表現：軟件做得好嗎？

一旦軟件給出了模型，我們就需要測量它的「誤差」。

對於迴歸（連續變量）

我們觀察預測值（\( \hat{y} \)）與實際值（\( y \)）之間的偏差。
均方誤差（MSE）： \( MSE = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 \)
均方根誤差（RMSE）： 即 MSE 的平方根。它很受歡迎，因為它的單位與輸出結果相同（例如，以美元計算）。

對於分類（類別變量）

我們使用混淆矩陣（Confusion Matrix），這是一個表格，展示了：
- 真陽性（TP）：我們預測「是」，結果確實是「是」。
- 真陰性（TN）：我們預測「否」，結果確實是「否」。
- 假陽性（FP）：我們預測「是」，但結果是「否」（第一類錯誤）。
- 假陰性（FN）：我們預測「否」，但結果是「是」（第二類錯誤）。

關鍵指標：準確率（Accuracy）

\( \text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN} \)

快速回顧：如果你在預測罕見事件（如大地震），準確率可能會產生誤導。如果事件發生的機率僅為 1%，那麼一個總是預測「否」的模型準確率高達 99%，但卻完全沒有用處！

5. 應避免的常見陷阱

在使用機器學習軟件時，請留意這些「陷阱」：

1. 過度擬合（Overfitting）：當模型過於複雜時會發生。它學會了訓練數據中的「噪音」而非真實規律。這會導致模型在訓練數據上表現出色，但在新數據上卻慘敗。
2. 欠擬合（Underfitting）：模型過於簡單（例如試圖用直線去擬合曲線）。這會導致模型在訓練和測試數據上都表現不佳。
3. 特徵選擇（Feature Selection）：包含過多不相關的變量會干擾模型。僅僅因為你可以將保單持有人的喜好顏色包含進去，並不代表這有助於預測他們的車禍風險！

總結清單

在繼續學習之前，請確保你能回答以下問題：
- 我能區分迴歸和分類任務嗎？
- 我了解為什麼要將數據分為訓練集和測試集嗎？
- 我知道自助聚合（Bagging，隨機森林）和提升法（Boosting）的基本區別嗎？
- 我能識別 MSE 為迴歸指標，並將混淆矩陣視為分類工具嗎？

如果覺得這些內容很多，別擔心。應用機器學習既是科學也是藝術。你練習得越多，看這些模型運作得越多，你對它們的理解就會越直觀！