機器學習基礎：核心概念與運作原理說明

嗯... 機器學習。最近一直在想這個東西。

以前的電腦，就是你叫它做什麼，它就做什麼。一步一步，寫得很死。但現在不一樣了... 我們開始餵給電腦一大堆資料，然後，很神奇的是，它自己開始找出我們從來沒發現過的規律。

這大概就是機器學習（Machine Learning）的核心概念吧。不是教它規則，是讓它從經驗中自己「學會」規則。

所以，電腦是怎麼「學」的？

想像一下... 你在教一隻狗撿球。一開始你把球丟出去，牠可能傻傻地看著你。但你示範幾次，撿回來就給牠零食，牠就慢慢懂了。下一次，牠會做得更好。機器學習... 說真的，就是這麼一回事，只是對象從狗換成了電腦。

我們給它看超多範例，它就自己去歸納、去找出模式。整個過程很像... 一個很會舉一反三的學生。

在聊這個的時候，會一直聽到兩個詞：特徵 (Features) 跟標籤 (Labels)。

特徵 (Features)：嗯... 就是用來描述一件事情的各種屬性。比方說，我們要判斷一張圖是不是貓，那「有爪子」、「有鬍鬚」、「尖耳朵」這些就是特徵。
標籤 (Labels)：這就是正確答案。以上面那個例子來說，「是貓」或「不是貓」，這個結論就是標籤。

所以，整個學習過程，就是讓機器去看一大堆有「特徵」跟「標籤」的資料，然後自己找出這兩者之間的關聯。比如說，它看了十萬張圖之後，可能會得出一個結論：「嗯，通常有鬍鬚又有尖耳朵的，『是貓』的機率很高。」

訓練跟測試，就像學校考試

拿到資料後，不是全部都丟給機器去學。我們會把它們分成幾份，這很重要。

主要就是「訓練集」跟「測試集」。

訓練集 (Training Set)：這是給模型（Model，我們通常不叫電腦，叫模型）看的課本跟習題。它會從這裡面去學習所有知識。
測試集 (Test Set)：這是模擬考的考卷。裡面的題目，模型在「讀書」的時候完全沒看過。用這個才能知道，它到底是真懂了，還是只是把課本背起來而已。

你想想，如果拿上課教過的例題一模一樣地去考試，那根本測不出學生的程度，對吧？所以用「沒見過的新資料」去測試，才能知道這個模型到底有沒有用。

有時候... 還會切出一個叫「驗證集 (Validation Set)」的東西。這個比較像... 平常的小考。在整個漫長的訓練過程中，用來隨時看看學習狀況好不好，需不需要調整讀書方法。可以幫忙避免下面會提到的「過擬合」或「欠擬合」。

學習路上最常見的兩個坑：過擬合與欠擬合

模型在學習的時候，很容易走偏。最常見的兩個問題，就是「過擬合」跟「欠擬合」。

過擬合 (Overfitting)

這個超常見。簡單說，就是「書讀得太死了」。

它把訓練資料裡的所有細節，甚至是無關緊要的雜訊，全都死背下來。結果就是，在訓練集上表現超好，準確率可能 99%，但一碰到沒見過的測試資料，就錯得一蹋糊塗。

這就像一個學生，把考古題的每一題、每一個字都背得滾瓜爛熟。只要考題一模一樣，他能拿滿分。但只要題目稍微換個數字、改個問法，他就完全不知道怎麼辦了。因為他根本沒理解背後的概念，他只是在「記憶」，而不是在「學習」。

欠擬合 (Underfitting)

這剛好相反，就是「根本沒讀進去」。

模型太過簡單，或是訓練得不夠久，導致它連最基本的規律都沒抓到。結果就是在訓練集上表現很差，在測試集上... 當然也一樣爛。

這就像學生連課本都沒翻幾頁就上考場。不管是考課本習題還是全新的題目，他都不會寫。

說到這個，要避免模型「假裝學會」，有個叫交叉驗證 (Cross-Validation) 的技巧。我自己是覺得這方法蠻聰明的。它不是只把資料分成「一份」訓練集和「一份」測試集，而是分成好幾份，例如五份。然後輪流，拿其中一份當測試集，另外四份當訓練集，這樣重複做五次。最後再把五次的表現平均一下，這樣得出來的評估結果，會比單一次的測試要可靠得多，比較不會因為運氣好、剛好抽到簡單的考題而產生誤判。

機器學習主要有三種學派

好，概念差不多了。那實際上，機器學習有哪些做法？主流大概分成三種，他們的「教學風格」差很多。

監督式學習 (Supervised Learning)
非監督式學習 (Unsupervised Learning)
強化式學習 (Reinforcement Learning)

這三種的邏輯，我自己是覺得用一個表格來想，會清楚很多。

學習方式	教學方法	需要什麼資料	白話比喻
監督式學習 (Supervised)	給它題目也給它「標準答案」。	已經標記好的資料。（例如：這張是貓、那張是狗）	就像有個家教，帶著你一題一題做練習題，告訴你對錯。
非監督式學習 (Unsupervised)	只給它一堆資料，不給答案，叫它自己看著辦。	未經標記的資料。（例如：就一堆顧客的購買紀錄）	像整理一個超亂的房間，你不知道東西該分幾類，但你會把看起來像的擺在一起。
強化式學習 (Reinforcement)	不直接教，讓它自己去試。做對了給獎勵，做錯了就沒獎勵。	不需要預先準備的資料集，而是透過跟「環境」互動來產生資料。	訓練寵物。做對指令給零食（獎勵），牠就會越來越常做那個動作。

監督式學習是目前最普遍、應用也最廣的。你給它大量的「問題和答案」，它學會怎麼從問題去預測答案。最有名的例子就是 Google 翻譯，它就是看了網路上億萬個已經翻譯好的句對，才學會中翻英的。在台灣，這也用在很多地方，像是銀行的信用卡盜刷偵測，或是用 AI 判斷農產品的品質，之前農委會好像就有在推類似的計畫。

非監督式學習就比較像在探索。你不知道你想找什麼，但你相信資料裡一定有什麼模式。最常見的就是顧客分群，電商網站把你看起來消費習慣差不多的客人自動圈在一起，然後推播同樣的廣告給你們。或是新聞網站，把內容類似的文章自動聚類，變成一個專題。

強化式學習... 這個就更酷了，它比較像在學一個「策略」。最有名的例子就是 AlphaGo。沒有人教它棋譜，它就是透過不斷跟自己下棋，贏了就給自己「獎勵」，輸了就「懲罰」，幾百萬盤之後，它就自己悟出了比人類更強的下棋策略。現在很多自動駕駛或機器人控制，背後都有它的影子。