前言

昨天我們快速比較了 AI、ML、DL 的差異，並提到 ML 的一大類型是 監督式學習 (Supervised Learning)。
那麼，監督式學習究竟是怎麼運作的？有哪些常見的任務與演算法？今天就來深入認識。

一、監督式學習(Supervised Learning)的概念

• 監督式學習的核心概念：

  • 訓練資料 (Training Data) = 輸入特徵 (Features) + 對應標籤 (Label)

  • 模型透過學習 輸入特徵 (Features) 與 標籤 (Label) 之間的對應關係，自動建立 預測規則 (Prediction Rules)。

  • 其中，「標籤 (Label)」就像是題目的 標準答案 (Correct Answer)。

  換句話說，監督式學習就像「老師 (Supervisor) 出題給學生練習，並提供正確答案」。學生經過反覆練習與修正，就能自己解出新題目。

• 流程簡化為：

  1. 資料收集 (Data Collection)：準備帶有標籤的資料。

  2. 模型訓練 (Model Training)：學習輸入與答案的對應關係。

  3. 驗證與測試 (Validation & Testing)：檢查模型是否能應用在新資料上。

  4. 推論 (Inference)：使用模型來預測未知答案。

二、監督式學習的輸出型態與常見演算法 (Tasks in Supervised Learning)

監督式學習主要分為 分類 (Classification) 和 迴歸 (Regression) 兩大類，這是依據 模型輸出的型態 (Output Type) 決定的。

1. 分類 (Classification)

• 輸出型態 ：離散類別 (Discrete Category / Class)

• 特點 ：模型的目標是判斷資料屬於哪一個類別，而不是精確的數值。

• 範例 ：

  • 郵件分類為垃圾信 (Spam) 或非垃圾信 (Non-Spam)
  • 圖片辨識：貓 (Cat) 或狗 (Dog)
  • 病人診斷：健康 (Healthy) 或患病 (Sick)

• 常用演算法 (Common Algorithms)：

  • 決策樹 (Decision Tree)
  • 支援向量機 (SVM)
  • 邏輯迴歸 (Logistic Regression)
  • 隨機森林 (Random Forest)

2. 迴歸 (Regression)

• 輸出型態 ：連續數值 (Continuous Value)

• 特點 ：模型的目標是預測精確的數值，而不是分類。

• 範例 ：

  • 房價預測 (House Price Prediction)
  • 氣溫預測 (Temperature Forecast)
  • 股票價格預測 (Stock Price Prediction)

• 常用演算法 (Common Algorithms)：

  • 線性迴歸 (Linear Regression)
  • Lasso / Ridge Regression
  • 梯度提升樹 (Gradient Boosted Decision Tree, GBDT)

三、監督式學習：建立輸入到標籤的映射

監督式學習 (Supervised Learning) 可以理解為模型學會一個函數 𝑓，將輸入特徵(Features) X 映射到標籤(Label) Y：f: X -> Y

• 輸入特徵 X：可以是向量 x1, x2, ..., xn，代表資料中的各種屬性
• 標籤 Y：依照型態不同，監督式學習分為兩種主要任務

1. 分類 (Classification)
   數學定義：f: X -> {C1, C2, ..., Ck}，其中 {𝐶1,...,𝐶𝑘}是離散類別集合。

   • 解釋：模型學習的是從特徵空間到離散類別集合的映射
   • 目標：對每個輸入 𝑋預測最可能的類別 𝐶𝑖
   • 運作方式：常用 softmax 或 logistic 函數輸出每個類別的機率，再選擇最大值作為預測結果
     <附註>softmax / logistic 函數：用於分類任務，將模型輸出轉換成各類別的機率。目前只需知道它能「幫助模型決定最可能的類別」，詳細運作方式將在後續章節介紹

2. 迴歸 (Regression)
   數學定義：f: X -> R 或 f: X -> R^m

   • 解釋：模型學習的是從特徵空間到連續數值的映射
   • 目標：對每個輸入 𝑋 預測精確的數值 𝑌
   • 運作方式：通常使用均方誤差 (Mean Squared Error, MSE) 或其他損失函數調整模型，使預測值最接近真實標籤
     <附註>MSE：用於迴歸任務，衡量模型預測值與真實值的差距。目前只需知道它是「模型調整預測的依據」，後續會深入講解計算方法與運用方式

小結
今天我們了解了監督式學習（Supervised Learning）的核心概念、主要流程，以及分類（Classification）與迴歸（Regression）兩大任務類型。後續章節中，會更探討監督式學習裡的分類任務類型，逐步讓大家能更直觀地理解分類是怎麼進行的。