方向微調

今天本來要直接開始學習一些統計的概念，但思考後，因為筆者並沒有學過統計學，現在如果貿然深入，很有可能不確定什麼知識是我未來完成這個專案需要的，進而花費太多時間在理解一些較無關的概念而偏題。

在時間有限的狀況下，筆者決定先開始讀下一篇文章，等真的有方向了再來開始也不遲。

前一篇文章的 Part 2 會視情形補完，或與其他篇的部分一起整理。

讓我們開始學習吧！

以下內容整理自：https://www.mdpi.com/2076-3417/10/18/6619/htm

新名詞

1. root-mean-square-error (RMSE)
   1. 迴歸預測模型的兩種主要效能指標之一，可衡量預測值和實際值之間的平均差異，藉此估計預測模型預測目標值的準確度。值越低，表示預測模型越精準。來源
   2. 文章摘要提到，此模型的 RSME 小於 1 dBA。但其實筆者沒有概念這樣多好。
2. coefficient of determination (R2, R square)
   1. 衡量回歸模型表現的指標，代表從獨立變數X可以解釋依變數Y變異的比例。
   2. R square變高本身是好事，代表解釋程度更高，但是放太多不重要的變數，會使得係數的估計變得不穩定。
   3. 以上整理自此來源
   4. 文章摘要提到，此模型的 R2 大於 0.7。筆者不能確定要多靠近 1 才是好。
3. fitting function
   1. 曲線擬合 (Curve fitting) 的相關概念。
   2. 用來選擇最能解釋一組資料的函數的參數值。參照：12 Function Fitting - MIT Fab Lab
4. loss function 損失函數
   1. 這篇的解釋很棒：機器/深度學習: 基礎介紹-損失函數(loss function)。
      1. 模型的好壞，希望最小化損失函數。在回歸和分類的情境都是希望愈小愈好。
      2. 預測出來的東西基本上跟實際值都會有落差，這個落差在統計上稱為「殘差(residual)」。
      3. 損失函數中的損失就是「實際值和預測值的殘差」。
      4. 此篇中後段因為涉及其他概念，暫時不整理。

新概念

1. 在持續暴露於 70 分貝以上的情況，人們會變得易怒、緊張、難以集中。85 分貝以上很可能會造成聽力的慢性損傷，有可能形成職災。
2. 針對非線性的噪音資料，gradient lifting technology 是具有較高的正確率的。在另外一篇預測臺灣空污的論文中也有用到此種方法論。gradient lifting technology 被用來尋找 fitting function 的預期損失函數最小的情形。

今天收工，我們明天繼續！