歡迎來到統計學習的基礎！

各位未來的精算師，歡迎你們！當你深入了解 Exam SRM 時，你會發現統計學習 (Statistical Learning) 是現代數據分析的核心。你可以把這一章當作準備考試的「GPS」。在我們構建複雜模型來預測保險索賠或股票價格之前，我們必須明確了解我們到底要解決什麼樣的問題。

在本節中，我們將學習如何將所有模型歸類為兩大「風格」（監督式學習 vs. 非監督式學習）和兩大「目標」（回歸 vs. 分類）。別擔心這些術語聽起來很高深；讀完這些筆記後，你就會對它們瞭如指掌！

1. 監督式學習 vs. 非監督式學習

統計學習中最重大的區別在於：我們是有一個「老師」在引導模型，還是模型必須靠自己摸索出規律。

監督式學習：在老師的指導下學習

在監督式學習 (Supervised Learning) 中，對於每一個輸入數據觀測值 \( (x_i) \)，我們都有一個對應的輸出或「標籤」\( (y_i) \)。我們的目標是找到一個函數，將輸入映射到輸出，精確到當我們看到新的輸入時，可以準確預測新的輸出。

類比：想像你正在教一個孩子辨認水果。你拿一個蘋果給他看並說：「這是蘋果。」拿一個橙子給他看並說：「這是橙子。」因為你提供了「答案」（標籤），這就是監督式學習。

精算範例：根據駕駛年齡和車輛類型（輸入 \( X \)）來預測索賠成本（輸出 \( Y \)）。我們使用過去已知索賠成本的數據來「監督」模型進行訓練。

非監督式學習：通過探索學習

在非監督式學習 (Unsupervised Learning) 中，我們有輸入 \( (x_i) \)，但沒有對應的輸出 \( (y_i) \)。這裡沒有「答案卷」，也沒有「老師」。目標是在數據中找出有趣的模式、結構或分組。

類比：想像給同一個孩子一大桶隨機形狀和顏色的積木，但什麼也不說。孩子可能會開始把所有圓形積木放在一堆，方形積木放在另一堆。他們並沒有「命名」這些積木，只是根據相似性找到了規律。

精算範例：市場細分 (Market Segmentation)。你擁有數千名保單持有人的數據。你沒有要預測的特定目標，但你想看看他們是否自然地分成了不同群體（例如：「城市年輕專業人士」與「退休鄉村屋主」），以便更精準地進行行銷。

快速回顧：主要區別

• 監督式：我們有 \( X \) 和 \( Y \)。我們想要預測 \( Y \)。
• 非監督式：我們只有 \( X \)。我們想要在 \( X \) 中找出模式。

2. 回歸 vs. 分類

如果你正在進行監督式學習（意味著你有輸出 \( Y \)），下一步就是決定你面對的是回歸 (Regression) 問題還是分類 (Classification) 問題。這完全取決於你擁有的輸出變量類型。

回歸：預測數值

當響應變量 \( Y \) 是定量 (quantitative)（數值型）時，我們使用回歸。這些變量的數值具有數學意義，並且可以進行排序。

關鍵詞：定量變量取數值（例如：$100、55.5 歲、12 英寸）。

\n

範例：
\n• 預測股票的價格。
\n• 估計設備發生故障前的時間。
\n• 計算颶風造成的總損失。

\n\n

分類：預測類別

\n

當響應變量 \( Y \) 是定性 (qualitative)（分類型）時，我們使用分類。這些變量代表的是「類別」或「標籤」，而非測量值。

\n

關鍵詞：定性變量在 \( K \) 個不同的類別中取值（例如：是/否、藍/綠/紅、合格/不合格）。

\n

範例：
\n• 保單持有人是否會續保？（是或否）。
\n• 一筆信用卡交易是欺詐還是合法？
\n• 分配信用評級（A、B、C 或 D）。

\n\n
記憶技巧：「C」與「R」速記法
\n

• Classification（分類）是用於 Categories（類別，如「A 組」或「B 組」）。
\n• Regression（回歸）是用於 Real numbers（實數，如 $5.50 或 100 度）。

3. 重要細微差別與常見錯誤

如果界限有時顯得模糊也不要擔心！以下是學生經常踩坑的幾點：

「邏輯回歸」的困惑

警告！ 有一種技術叫做邏輯回歸 (Logistic Regression)。儘管它的名字裡有「回歸」，但它幾乎總是用於分類。它估計的是一個觀測值屬於某個類別的概率（例如某人在保單期限內死亡的概率）。

我們可以將數字視為類別嗎？

有時，我們會將數值變量視為類別。例如，如果我們在預測星級評分（1、2、3、4 或 5），我們可以將其視為回歸問題（因為 5 分優於 4 分），也可以視為分類問題（將每個星級視為不同的桶）。通常，分析的目標決定了你選擇哪種方式。

你知道嗎？

大多數 Exam SRM 的考綱集中在監督式學習。不過，主成分分析 (PCA) 和聚類分析 (Clustering)（你稍後會看到）是你必須掌握的兩個重要的非監督式技術！

4. 總結與關鍵要點

為了總結本節，讓我們看一個建模思維的決策樹：

第一步：我有目標輸出 (\( Y \)) 嗎？
• 有：這是監督式學習。（進入第二步）
• 沒有：這是非監督式學習。

第二步：我的目標 (\( Y \)) 是數字還是類別？
• 數字：使用回歸模型。
• 類別：使用分類模型。

需要記住的關鍵點：

• 監督式模型用於預測。
• 非監督式模型用於探索和了解數據結構。
• 定量 (Quantitative) = 數字 = 回歸。
• 定性 (Qualitative) = 標籤/類別 = 分類。

做得好！你剛剛為整個 SRM 的學習內容打下了基礎。在接下來的章節中，我們將開始研究實際執行這些任務所需的數學和模型！