2026-05-09

複習術科第一次AI測驗內容，
邏輯回歸，
殘差連結，
隨機森林樹，
奇異值分解SVD。

了解四架構延伸:
四大架構的延伸核心

1. 邏輯迴歸 (Logistic Regression)：
   • 權重更新 (Update)：利用梯度下降法來調整 w 與 b。
   • 損失函數 (Loss)：計算二元交叉熵 (Binary Cross Entropy) 來衡量預測準確度。
2. 殘差分析 (Residual Analysis)：
   • 決定係數 (R2)：評估模型解釋資料變異的能力。
   • 標準化殘差：檢查殘差是否符合常態分佈以驗證模型假設。
3. 隨機森林 (Random Forest)：
   • 袋外預測 (OOB)：利用未參與訓練的樣本來進行自我驗證。
   • 特徵重要性：計算各個特徵對降低模型不確定性的貢獻度。
4. 奇異值分解 (SVD)：
   • 資料去噪 (Denoising)：透過捨棄微小的奇異值來過濾雜訊。
   • 推薦系統：利用矩陣分解找出使用者與物品間的潛在關聯。

學長建議多想想可以有什麼應用:

1. 邏輯迴歸 (Logistic Regression)：主要用於二元分類問題，例如預測客戶是否會流失、垃圾郵件過濾或病患診斷。它能將線性輸出轉換為 0 到 1 之間的機率值。
2. 殘差分析 (Residual Analysis)：用於模型效能評估與診斷。透過計算 MAE 或 MSE，開發者可以了解模型預測值與實際值的差距，並據此優化模型架構。
3. 隨機森林 (Random Forest)：適用於高維度的分類與回歸任務。它能整合多棵決策樹的意見（投票或平均），有效降低過擬合風險，並可用於找出資料中的特徵重要性。
4. 奇異值分解 (SVD)：核心應用在於資料降維、影像壓縮以及推薦系統（如 Netflix 推薦電影）。它能將大型矩陣分解，過濾掉雜訊並保留最重要的特徵資訊。