歡迎來到進階預測模型！

你好！如果你已經掌握了廣義線性模型（Generalized Linear Models, GLMs），那你的基礎已經相當紮實。然而，在現實世界中，數據並不總是呈現「線性」的。有時數據會呈現曲線，有時會聚集成群，甚至有時複雜到我們需要類似「大腦」的結構才能解析。在本章中，我們將探討加性模型（Additive Models）、線性混合模型（Linear Mixed Models）以及神經網絡（Neural Networks）。這些工具能將你的預測分析技能從「標準」提升至「進階」。不用擔心，這些概念聽起來可能很深奧——我們會一步步為你拆解！


1. 廣義加性模型 (Generalized Additive Models, GAMs)

你可以把標準的 GLM 想成一把死板的尺，它嘗試用直線（或簡單的曲線）來擬合你的數據。但如果數據看起來像雲霄飛車一樣起伏不定呢？這就是 GAMs 出場的時候了。它們允許預測變數與目標變數之間存在靈活的「波動」關係。

核心概念

在 GLM 中，我們假設預測變數的影響是線性的：\( \beta \cdot x \)。在 GAM 中，我們將那條直線替換為一個平滑函數（smooth function），記作 \( f(x) \)。
公式如下：
\( g(E[Y]) = \beta_0 + f_1(x_1) + f_2(x_2) + ... + f_p(x_p) \)
其中 \( g \) 是連結函數（link function），而每個 \( f_i \) 都是針對該特定變數量身打造的平滑函數。

為什麼要使用 GAMs？

  • 靈活性： 它們能捕捉 GLM 無法處理的非線性模式。
  • 可解釋性： 與「黑盒」模型不同，你仍然可以透過觀察每個變數特定的「波動（wiggle）」來了解它們如何影響預測結果。
  • 可加性： 由於我們將各種影響相加，在保持其他變數不變的情況下，我們仍然可以解釋單一變數的影響力。

類比與工具

類比： 想像你在訂製西裝。GLM 就像在商店購買一件「中碼（Medium）」成衣，雖然合身但版型固定。而 GAM 就像一位裁縫師，根據你身體的具體曲線來調整布料。

關鍵術語：樣條函數（Splines）。這是構成平滑函數的「基本組件」。你可以把它們想像成由多個小曲線片段在稱為節點（knots）的連接點組合而成，從而創造出一條長且平滑的線。

快速複習：
- 平滑參數（\( \lambda \)）： 用於控制「緊貼數據（波動大）」與「保持簡單（平滑）」之間的平衡。過度波動會導致過度擬合（overfitting）！
- 有效自由度（Effective Degrees of Freedom, EDF）： 用於衡量平滑程度的複雜度指標。EDF 為 1 代表直線；EDF 越高，模型越複雜。

重點總結：GAMs 在 GLM 的簡潔性與機器學習模型的高複雜度之間，提供了一個理想的中間方案。

2. 線性混合模型 (Linear Mixed Models, LMMs)

有時，我們的數據點並不是相互獨立的。例如，如果你正在分析保險理賠，來自同一位保單持有人的 10 筆理賠資料很可能存在相關性。線性混合模型正是為了處理這種「分組（grouped）」或「階層（hierarchical）」數據而設計的。

固定效應 vs. 隨機效應

這是 LMM 中最重要的區分：

  1. 固定效應（Fixed Effects）： 我們在整個群體中關心的變數（例如年齡、性別）。它們被稱為「固定」，因為我們假設它們對每個人的影響是相同的。
  2. 隨機效應（Random Effects）： 代表組內的變異（例如某位特定保單持有人或特定地理區域的「運氣」或「風險」）。我們假設這些效應來自於一個常態分佈。

公式

\( Y = X\beta + Zu + \epsilon \)
- \( X\beta \)：固定部分（類似標準迴歸）。
- \( Zu \)：隨機部分（針對特定群體的調整）。
- \( \epsilon \)：殘餘雜訊（誤差項）。

你知道嗎？

LMMs 通常也被稱為多層次模型（Multilevel Models）或階層模型（Hierarchical Models）。如果在考試中看到這些術語，請直接聯想到「混合模型」！

常見錯誤

錯誤： 對僅有 2 或 3 個水準的變數（如性別）使用隨機效應。
修正： 當你擁有大量群組（例如 50 個州或 1,000 位保單持有人）並且希望考慮它們之間的變異時，隨機效應的效果最好。

重點總結：當你的數據是「嵌套」或「聚集」的，且你需要考慮群組內的相關性時，LMMs 是你的首選工具。

3. 神經網絡 (Neural Networks, NNs)

神經網絡的靈感源自人類大腦。它們在從海量數據中尋找複雜且隱藏的模式方面極為強大。雖然它們通常被視為「黑盒」（難以解釋），但其預測能力堪稱頂尖。

架構

神經網絡由多層「神經元」組成：

  • 輸入層（Input Layer）： 數據（特徵）進入模型的地方。
  • 隱藏層（Hidden Layers）： 「引擎室」。模型在此處對輸入進行複雜的組合。
  • 輸出層（Output Layer）： 最終預測結果（例如「此人會否理賠？」或「預期損失為何？」）。

運作原理（逐步解析）

1. 權重（Weights）與偏差（Biases）： 神經元之間的每個連結都有一個權重（代表重要性）。每個神經元還有一個偏差（偏移量）。
2. 加總： 神經元將所有加權後的輸入相加。
3. 激活函數（Activation Function）： 這是「守門員」。它決定訊號是否足夠強大以傳遞到下一層。常見函數包括：
    - ReLU（修正線性單元）： 非常流行；將負值轉為零。
    - Sigmoid： 將數值壓縮在 0 到 1 之間（非常適合用於機率預測）。
4. 前向傳播（Forward Propagation）： 從輸入移動到輸出以取得預測值。
5. 反向傳播（Backpropagation）： 模型檢查預測誤差（損失，Loss），並向後調整權重，以便下次預測更準確。

記憶法：NN 規則

將 NN 看作 Network of Numbers（數字網絡）。它本質上就是一個巨大的數學方程式，透過不斷調整權重，讓輸出結果盡可能符合現實情況。

NN 挑戰快速複習

  • 過度擬合： NNs 非常靈活，甚至會「死記硬背」訓練數據。我們使用 Dropout（隨機關閉部分神經元）或 提前停止法（Early Stopping） 來防止此問題。
  • 可解釋性： 與 GLM 相比，要解釋神經網絡「為什麼」做出某個決定非常困難。
重點總結：神經網絡是高強度的非線性模型，利用多層神經元和激活函數來捕捉極其複雜的關係。

考試當日總結清單

繼續前進之前，請確保你能回答以下問題：

  • GAMs： 我能解釋為什麼我們使用樣條函數（splines）而不是單純的 \( x^2 \) 或 \( x^3 \) 嗎？（答案：為了在局部保持靈活性，同時不影響整體曲線。）
  • LMMs： 我知道何時該使用隨機效應嗎？（答案：當數據是分組的，且組內觀測值存在相關性時。）
  • 神經網絡： 我能列舉兩個激活函數並解釋隱藏層的作用嗎？（答案：ReLU/Sigmoid；隱藏層捕捉非線性互動。）

加油！ 這些模型是預測分析中的「重型武器」。了解何時使用靈活的 GAM 或結構化的 LMM，正是成為優秀精算師的關鍵！