機器學習知識地圖 · 監督式學習
回歸問題
預測連續數值（房價、氣溫）
觀念教學
只要答案是「一個數字」而不是「一個類別」,就是回歸問題(Regression) — 房價多少錢、明天幾度、下個月營收多少。
核心觀念
目標是預測連續數值輸出。模型學的是輸入特徵與數值目標之間的關係,輸出可以是任何實數,而不是從有限選項中挑一個。
白話理解
這間房子值多少錢?明天氣溫幾度?答案是數字 → 回歸。「客戶會不會買」只有會與不會兩個選項 → 那是分類。一句話分清:回歸輸出連續數值(房價 1200 萬),分類輸出類別(會買/不會買)。
常用評估指標
- MAE = 誤差絕對值的平均:好懂,對離群值不敏感
- MSE = 誤差平方的平均:會放大大錯誤,對離群值敏感
- RMSE = MSE 開根號:單位與預測目標相同,最好對人解釋
- R²(判定係數)= 模型解釋了目標變異的比例,越接近 1 擬合越好
- 選用原則:在意大錯誤用 MSE/RMSE,要穩健用 MAE,對老闆報告用 R²
- 殘差分析:預測值與實際值的差距若呈現規律,代表模型漏學了某種模式
🎯 口訣:報數字用回歸,選類別用分類;誤差平方是 MSE,開根號變 RMSE。
iPAS 考點
「這是回歸還是分類」的情境判斷是送分題,關鍵只看輸出型態。真正的陷阱在指標配對:拿準確率評回歸就是錯誤選項,回歸只配 MAE、MSE、RMSE、R²;反過來拿 MSE 評分類任務,同樣是張冠李戴。另一考法是給資料型態問任務類型:目標欄位是連續數值,就往回歸家族找答案。
應用場景
評估指標
iPAS 歷屆考題詳解(3 題)
先自行作答,再展開詳解。題目出處均為 iPAS AI 應用規劃師正式考題,著作權屬原主辦單位。
某企業的資料科學團隊利用 ARIMA模型（AutoRegressive Integrated Moving Average Model）預測每週產品銷售量。模型建立完成後，分析人員發現預測誤差隨時間呈現週期性波動，且自相關函數（ACF）顯示殘差在多個時滯（Lag）上仍顯著不為零。根據上述現象，最合理的模型診斷結論為何？
- A模型殘差符合白噪音（White Noise）假設，預測表現穩定
- B模型殘差雖有輕微異常，但可視為隨機誤差忽略不計
- C模型存在配適不足（Underfitting）問題，需重新調整 p 或 q參數以捕捉時間依賴性
- D殘差特性不影響預測結果，無須進一步修正
看正解與逐選項詳解
正解:C
某金融機構的量化分析師在建立資產風險評估模型時，發現報酬率資料分佈明顯非對稱，且出現多次極端損失事件，使得傳統假設常態分佈的模型無法準確反映真實風險。若希望在不依賴常態分佈假設的前提下，採取更能捕捉資料極端情況的建模策略，下列哪一種方法最為合適？
- A採用線性迴歸模型（Linear Regression Model），以常態分佈殘差（Residuals）為基礎進行推估
- B使用平均數（Mean）與標準差（Standard Deviation）估計波動範圍
- C將資料裁剪至 ±3σ 範圍內以排除異常值影響
- D採用分位數回歸模型（Quantile Regression Model），聚焦於尾部分位（Tail Quantiles）以評估極端風險
看正解與逐選項詳解
正解:D
某集團為響應淨零排放政策，計劃引進智慧節能系統，利用歷史氣象觀測資料（如溫度、濕度）與大樓進出人數，來預測總部大樓明日的總用電量（kWh），以利最佳化空調冰水主機的運轉排程。請問下列哪一組「任務類型／演算法／評估指標」的組合最適合此應用需求？
- A迴歸（Regression）／極限梯度提升迴歸（XGBoost Regressor）／平均絕對百分比誤差（MAPE）；
- B分類（Classification）／決策樹（Decision Tree）／F1 分數（F1-Score）；
- C分群（Clustering）／K-Means／準確率（Accuracy）；
- D迴歸（Regression）／孤立森林（Isolation Forest）／召回率（Recall）
看正解與逐選項詳解
正解:A