本系列第 19 篇｜這篇回答：把前面各篇串起來，一個 AI 專案從問題到上線要做哪些判斷？ 讀完這篇，你應該能：
- 在一個完整案例裡認出每一步用到的觀念，並對上對應的篇章。
- 用「線索→方法」對照表，快速找到該回看的篇章。
- 說出一個 AI 專案最常出錯的幾個環節。
一、一個案例走完全流程
某連鎖藥局準備做兩件事。一件是預測哪些會員會在 30 天內回來領慢性病處方藥，以便提前提醒。另一件是做一個客服助理，回答藥品與會員制度的問題。下面依實際要下的判斷走一遍。每一步寫出選擇的理由，並註明對應的篇章。
第 1 步：先問三件事（第 1 篇）
預測有回來領藥的標籤，客服依文件回答，兩任務分開處理。
詳細說明
選方法之前，先問第 1 篇的三件事：資料長什麼樣、要回答什麼、有什麼限制。
預測領藥這件事，資料是表格，每一列依時間排列，同一位會員有多筆紀錄；每一筆都有標籤（label），也就是這位會員後來有沒有在 30 天內回來領藥。要回答的是「誰會回來」，屬於預測。限制是處方屬於健康資料，而且提醒以天為單位決定。客服助理則是文字問答，依據是公司內部文件，沒有「有沒有回來」這種標籤。兩個任務從這裡就分開處理。
第 2 步：描述資料（第 2、11 篇）
金額右偏改用中位數與四分位距，回來領藥約 12% 還不是模型的分數。
詳細說明
先看消費金額。它是右偏（right-skewed）的：多數交易金額不大，少數大單把平均數（mean）往上拉。拿平均數當作典型的一筆消費，會被大單抬高。依第 2 篇，改用中位數（median）與四分位距（IQR）。中位數是金額排序後落在正中間的那一個，少數大單不容易移動它。四分位距是中間一半資料所佔的範圍，用來說明金額有多散。第 11 篇把同一組數畫成盒鬚圖（box plot）：盒子的長度就是四分位距，離盒子很遠的點就是那些大單。
接著看目標有多少。30 天內回來領藥的比例約 12%。這是資料的底數，還不是模型的分數。第 5 步評估時會用到它。
第 3 步：清理與特徵（第 5、8 篇）
用評估資料算清理規則，或算進預測時間點之後的領藥，都是資料洩漏。
詳細說明
清理會用到訓練集（training set）。訓練集取較早的月份，切法在第 5 步說明。這裡先定規則：凡是從資料算出來的清理規則，只向訓練集學習。
年齡有缺。做中位數插補（imputation）時，中位數只從訓練集計算，再拿去填訓練集以外的空值。若把後來要拿來評估的年齡也算進中位數，那些資料在評估前就參與了訓練，這是資料洩漏（data leakage）。填完之後另加一欄「年齡是否缺失」。年齡這欄是空的，這件事可能本身就帶有訊息，不該被填補擦掉。這些欄位在程式裡的先後，是第 8 篇要看得懂的：先定出訓練集，再算中位數、做編碼，然後才套到其餘資料。
藥品類別用 One-Hot 編碼（one-hot encoding）。每一類一欄，屬於該類寫 1，不屬於寫 0。類別是名稱。各自一欄之後，模型看到的是「是或不是」，不會把類別看成可以比大小的數字。
「過去 90 天領藥次數」這類特徵，只能用預測時間點以前的資料計算。若在某一天預測未來 30 天會不會回來，次數只算到這一天之前。把這一天之後的領藥也算進去，等於先看見後來才發生的事。同一位會員有多筆紀錄時，這種洩漏特別容易發生。
第 4 步：儲存與處理（第 6、7 篇）
交易放進資料倉儲，夜間批次作業算特徵；文件切塊嵌入存向量資料庫。
詳細說明
交易紀錄放進資料倉儲（data warehouse），集中保存這份依時間排列的表（第 6 篇）。提醒以天為單位決定，特徵不必每寫入一筆交易就重算。交易先留在倉儲，每天夜間用批次作業（batch job）把下一輪要用的特徵一次算完（第 7 篇）。串流（streaming）處理是每來一筆就更新；這個提醒的決策時間是一天，夜間批次對得上。
客服用的公司文件走另一條路。文件先切塊（chunking），每一塊轉成嵌入（embedding），存進向量資料庫（vector database）。交易表提供預測用的特徵，向量資料庫依文意找出文件段落。
第 5 步：建模、訓練與評估（第 12、13、14 篇）
約 88% 的準確率會漏掉該提醒的人，改看召回率與精確率。
詳細說明
切分按時間做。較早的月份當訓練集，最後兩個月當驗證資料（第 12 篇）。資料依時間排列。若改成隨機抽列，較晚的紀錄會進訓練，評估時等於先看過後來的世界。
同一位會員的所有列放在同一邊。這個人若同時出現在訓練與驗證，模型可以記住他的習慣，驗證分數會好看，上線遇到沒見過的會員就沒有這份記憶。
會回來領藥的人約只占 12%。這種較少的結果是陽性（positive class）。評估時不看整體準確率（accuracy）。以這個比例可以算出原因：若模型把每個人都預測成「不會回來」，判對的就是約 100% − 12% = 88% 的人，準確率約 88%，該提醒的人卻一個都沒被抓到。改看召回率（recall）、精確率（precision）與 PR 曲線（precision-recall curve）（第 14 篇）。召回率是真的會回來的人裡面，被抓到的比例。精確率是被模型點名提醒的人裡面，後來真的回來的比例。漏提醒的代價高，就多看召回率。一直打擾不會回來的人代價高，就多看精確率。PR 曲線把這兩個數在不同判定門檻下的取捨畫在一起。
模型先用邏輯斯迴歸（logistic regression）做出基準，再拿梯度提升（gradient boosting）和它比。基準的用處是：後面的模型若沒有比它更好，就不必為更高的複雜度付上線成本。
訓練時同時看訓練損失與驗證損失（validation loss）（第 13 篇）。訓練損失還在降、驗證損失開始升，就是過擬合（overfitting）：模型越貼近訓練資料，對沒參與訓練的驗證資料越差。這時用提早停止（early stopping），不再訓練後面的輪次，並留下驗證損失較好的那一組參數。
第 6 步：驗證上線效果（第 4、9 篇）
上線前做 A/B 測試，差異要統計顯著，效果量要值得提醒成本。
詳細說明
召回率與精確率說明模型怎麼抓人，還沒有說明提醒本身會不會讓人更常回來。上線前做 A/B 測試（A/B test）（第 9 篇）。會員分成兩組不同的人，一組收到提醒，一組沒有，比較兩組的 30 天回診率，也就是有沒有回來領藥。
兩組的差異要達到統計顯著（statistical significance）（第 4 篇），也要看效果量（effect size）值不值得提醒的成本（第 9 篇）。顯著回答的是這次差距不太像純粹碰巧。效果量回答的是多回來的人夠不夠支付提醒。人數很多時，很小的差距也可以顯著，仍可能不值得做。
第 7 步：客服助理（第 15、16、17 篇）
回答必須附上文件段落，找不到依據就說不知道並轉給真人。
詳細說明
客服助理使用大型語言模型（large language model），並加上 RAG（retrieval-augmented generation）。問題進來時，先到向量資料庫取出公司文件裡切好的段落，再依那些段落回答（第 16、17 篇）。第 15 篇的神經網路（neural network）是這類模型的結構。這個任務要守住的是：回答要用得到的文件段落。
溫度（temperature）調低，是讓同一個問題少出現差很多的說法，回答比較一致。溫度不檢查內容有沒有寫在文件裡。降低幻覺（hallucination）靠另一組規定：回答要附上引用的文件段落；文件裡找不到依據時，就說不知道，並轉給真人。
第 8 步：隱私（第 18 篇）
代號能還原就仍是個資，對照表權限要分開，不要貼外部生成式 AI。
詳細說明
處方是敏感的健康資料。只收集預測與客服真正要用的欄位。對內用代號取代姓名與會員身分，這是假名化（pseudonymization）。代號若仍能靠對照表還原成某一個人，資料就還是個資，讀取對照表與明細的權限要分開限制。會員個資不要貼到外部的生成式 AI（generative AI）服務。
第 9 步：上線之後（第 12 篇）
資料漂移與概念漂移都要重新評估，關係變了就重新訓練。
詳細說明
上線之後要持續監控。新客群大量加入，輸入資料的分佈和訓練時不同，是資料漂移（data drift）。健保或藥品政策若改變，同樣的欄位會代表不同的意思，這是概念漂移（concept drift）：「過去 90 天領藥次數」還是那個欄位，但它和「30 天內會不會回來」的關係已經換了。兩種情況都要重新評估。關係已經變了，就有必要重新訓練。
最常出錯的地方集中在第 3 步（洩漏）、第 5 步（只看準確率）與第 9 步（上線後沒人看）。
二、線索與方法對照
先對線索再回該篇核對前提，不同線索不要併成同一個答案。
詳細說明
下表把工作中常見的線索對上方法與篇次。先對線索，再回該篇核對方法的前提。
| 線索 | 優先想到 | 回看第幾篇 |
|---|---|---|
| 同一批人前後測 | 配對 t 檢定（paired t-test） | 第 4 篇 |
| 三組以上的平均比較 | ANOVA（變異數分析）與事後比較 | 第 4 篇 |
| 兩個類別變數有無關聯 | 卡方獨立性檢定（chi-square test of independence） | 第 4 篇 |
| 兩組轉換率比較 | 兩比例 Z 檢定（two-proportion z-test） | 第 4 篇 |
| 固定區間內的事件次數 | 卜瓦松分佈（Poisson）；變異數遠大於平均則改負二項分佈（negative binomial） | 第 3 篇 |
| 中位數靠近 Q1、上鬚很長 | 右偏（right skew） | 第 2 篇 |
| 有極端值時的典型值、分散，或要縮放 | 中位數與四分位距（IQR）；縮放用 Robust Scaling | 第 2、5 篇 |
| 有序類別；無序且類別少；高基數 | 順序編碼（ordinal encoding）；One-Hot；目標編碼（target encoding，須折外）或頻率編碼（frequency encoding） | 第 5 篇 |
| 前處理或 SMOTE 做在切分之前 | 資料洩漏（data leakage）。SMOTE 是對少數類合成新樣本 | 第 5、12 篇 |
| 類別極度不平衡 | 召回率（recall）、精確率（precision）、PR-AUC（精確－召回曲線下面積）；重採樣只在訓練集 | 第 12、14 篇 |
| 同一人多筆紀錄；時間序列 | GroupKFold（同一人不可拆開）；依時間切分 | 第 10、12 篇 |
| 扣庫存、轉帳，不能只完成一半 | ACID 與關聯式資料庫（relational database） | 第 6 篇 |
| 關係網路、環狀轉帳 | 圖形資料庫（graph database） | 第 6 篇 |
| 語意相近的內容搜尋 | 嵌入（embedding）加向量資料庫的近似最近鄰（ANN） | 第 6、17 篇 |
| 單機容量或吞吐達到上限 | 分片（sharding，水平擴展） | 第 6 篇 |
| 秒級的即時判斷 | 串流處理（stream processing；Kafka 與 Flink） | 第 7 篇 |
| 需要一再迭代的機器學習運算 | Spark 的記憶體內運算 | 第 7 篇 |
| 現場頻寬有限，且要低延遲 | 邊緣運算（edge computing） | 第 7 篇 |
| CSV 大於記憶體 | read_csv 的 chunksize、usecols、dtype |
第 8 篇 |
| 整數欄要保留缺失 | astype('Int64') |
第 8 篇 |
| 寬表轉長表 | pd.melt |
第 8 篇 |
| 少數群體要有足夠樣本 | 分層抽樣（stratified sampling） | 第 9 篇 |
| 變數有序，或有離群值時看相關 | Spearman 等級相關 | 第 9 篇 |
| 購物籃、經常一起買 | 支援度（support）、信賴度（confidence）、提升度（lift） | 第 10 篇 |
| 群的形狀不固定，且含雜訊點 | DBSCAN | 第 10 篇 |
| 隨時間的趨勢；數值跨數量級；相關有正有負 | 折線圖；對數刻度；相關矩陣用發散色熱圖 | 第 11 篇 |
| 訓練損失一路下降，驗證損失卻開始上升 | 過擬合：提早停止、正則化 | 第 12、13 篇 |
| 訓練初期損失劇烈震盪或出現 NaN | 學習率太大，調小學習率 | 第 13 篇 |
| 特徵很多，想讓沒用的特徵權重歸零 | L1 正則化（lasso） | 第 13 篇 |
| 標註影像只有幾百張 | 預訓練 CNN 的遷移學習（transfer learning），搭配資料擴增 | 第 15 篇 |
| 很深的網路，前面幾層幾乎學不動 | 梯度消失：改用 ReLU、加殘差連接 | 第 15 篇 |
| 長對話後模型忘了早先給的資訊 | 脈絡窗口（context window）上限；由系統保存並重新放回脈絡 | 第 16 篇 |
| 生成結果要穩定一致 | 調低溫度（temperature）或貪婪解碼 | 第 16 篇 |
| 模型編造不存在的規定或文獻 | 幻覺（hallucination）：RAG 提供依據，並要求附出處、人工查核 | 第 16、17 篇 |
| 經常更新的內部知識問答 | RAG（檢索增強生成） | 第 17 篇 |
| 資料不能離開各機構 | 聯邦學習（federated learning） | 第 18 篇 |
| 可以交雲端計算，但不能看明文 | 同態加密（homomorphic encryption） | 第 18 篇 |
| 公開統計，又要防止反推到個人 | 差分隱私（differential privacy） | 第 18 篇 |
少數列是「先用前者，前提被打破才改後者」：固定區間的件數先想卜瓦松分佈，變異數遠大於平均就改負二項分佈。有序、無序、高基數是三條不同線索；同一人多筆與時間序列也是兩條不同線索。不要併成同一個答案。
三、容易混淆的地方
下面六組概念名稱相近，判斷時不能互換。右邊欄是它在資料、報告、儀表板、日誌、程式審查或需求裡實際出現的樣子。
| 容易混淆 | 差別在哪 | 實際遇到時的線索 |
|---|---|---|
| 配對 t 檢定（paired t-test）與獨立兩樣本 t 檢定（independent two-sample t-test） | 配對用在同一批人前後兩次。獨立兩樣本用在兩群不同的人。 | 藥局的 A/B 測試是「有提醒」與「沒提醒」兩群不同會員，兩欄對不上同一個人，應走獨立兩樣本。報告若把同一位會員提醒前、提醒後配成一列再檢定，那是配對。先看兩組資料是不是同一批人。 |
| 精確率（precision）與召回率（recall） | 漏抓的代價高時看召回率。誤報的代價高時看精確率。 | 提出需求的人說「會回來的人漏提醒很傷」，儀表板應看召回率。說「不要一直打擾不會回來的人」，看精確率。報告若只給一個整體準確率（accuracy），以約 12% 會回來計算，全部預測不回來也有 100% − 12% = 88%，召回率與精確率卻都沒有出現在報告裡。 |
| 資料漂移（data drift）與概念漂移（concept drift） | 資料漂移是輸入的分佈變了。概念漂移是輸入與結果的關係變了。 | 監控日誌裡年齡或金額的分佈整塊偏移，多半是資料漂移，例如新客群加入。分佈差不多、召回率卻掉下去，而且中間改過健保或藥品政策，多半是概念漂移：同一個「過去 90 天領藥次數」，和回診的關係已經不同。 |
| 切分前做 SMOTE（少數類過採樣的一種做法）或前處理，對上只在訓練資料內做 | 切分前就對全部資料做過採樣（oversampling）、插補或編碼，評估用的資料會提前進入訓練，這是資料洩漏（data leakage）。規則只能在訓練資料內決定，再套到其餘資料。 | 程式審查若看到先對整份表做 SMOTE、插補或編碼，然後才切訓練與驗證，就是這個順序。驗證分數好得離「陽性約 12%」這種難度太遠時，要回頭查誰先誰後。 |
| 假名化（pseudonymization）與匿名化（anonymization） | 假名化留有對照表，代號還原得到本人，仍是個資。匿名化是無法再識別這個人。 | 倉儲裡若還有一張代號對姓名的表，文件卻寫已經匿名，那只是假名化。權限清單仍要管這張對照表與處方明細。無法再識別的做法，不留還原用的對照。 |
| 降低溫度（temperature）與降低幻覺（hallucination） | 溫度調低只減少用詞的隨機性，同樣問題的回答比較固定。內容有沒有依據，要靠 RAG 與事後查核。 | 客服日誌裡溫度已經調低，回答仍寫出會員制度文件沒有的折扣，而且該則沒有附上檢索到的段落。需求若寫成「溫度調低就不會亂編」，和這筆日誌對不上。 |
四、綜合練習
第 1 題
某客服平台要為每小時進線通數建模。這組次數的平均是 4、變異數是 15。即時看板必須在 1 秒內更新。哪一種做法同時滿足分佈與時間限制？
- (A) 用卜瓦松分佈建模，每天批次更新一次看板
- (B) 用負二項分佈建模，並以串流處理（Kafka 與 Flink）在秒級更新看板
- (C) 用常態分佈建模，把明細先寫進資料倉儲再查詢
- (D) 用二項分佈建模，以 MapReduce 隔夜彙總
看答案與解析
答案：B
平均 4、變異數 15。15 ÷ 4 = 3.75，變異數是平均的 3.75 倍，不符合卜瓦松「變異數接近平均」，件數模型要改負二項分佈。看板要求 1 秒內更新，對上串流處理，不是日終批次。
- (A) 變異數遠大於平均，卜瓦松的前提不成立；每日批次也無法在 1 秒內更新。
- (C) 常態分佈（normal distribution）描述的不是固定區間的件數；資料倉儲（data warehouse）服務事後查詢，不是秒級判斷。
- (D) 二項分佈（binomial distribution）要先有固定的試驗次數，情境是一段時間內的事件件數；MapReduce 是批次運算，同樣過不了 1 秒。
回看：第 3、7 篇
第 2 題
某醫院用每位病患的多次就診紀錄預測再入院，陽性只佔 3%。驗證應該怎麼設計？
- (A) 每一筆就診隨機切成訓練與測試，以準確率為主要指標
- (B) 先對全部資料做 SMOTE，再隨機切分，仍以準確率評估
- (C) 用 R² 評估這次預測好不好
- (D) 以病患為單位做 GroupKFold，看召回率與 PR-AUC，重採樣只在訓練折內進行
看答案與解析
答案：D
同一病患的多筆就診必須整組留在訓練或整組留在驗證，所以用 GroupKFold。陽性佔 3%，也就是 3 ÷ 100 = 0.03。若全部預測「不再入院」，準確率是 1 − 0.03 = 0.97，這個數字沒有說出再入院的人被找出多少。召回率與 PR-AUC 才對得上這個目標。重採樣只在訓練折內做，驗證折才不被合成樣本改寫。
- (A) 逐筆隨機切分會讓同一病患出現在訓練與驗證兩邊；準確率又可以被 0.97 的全猜陰性墊高。
- (B) 切分前就對全部資料做 SMOTE，是資料洩漏。
- (C) R²（決定係數）用於連續目標的擬合。再入院是有或沒有的分類。
回看：第 12、14 篇
第 3 題
某電商要在推薦頁顯示經常被同一張訂單一起買走的商品。分析購物籃時，應該怎麼留下規則？
- (A) 只留信賴度最高的規則
- (B) 用 K-means 依商品價格分群，推薦同群商品
- (C) 做關聯規則，保留支援度達到門檻、且提升度大於 1 的規則
- (D) 對商品售價做 t 檢定，顯著的商品才放上推薦頁
看答案與解析
答案：C
購物籃用支援度、信賴度、提升度一起看。提升度大於 1，表示兩項商品一起出現的機會高於各自獨立被買；支援度門檻用來拿掉極少見、站不穩的組合。
- (A) 熱銷品和許多商品的信賴度都高，不表示這個組合比獨立購買更強。
- (B) K-means 依價格距離分群，回答的是價格像不像，不是有沒有出現在同一購物籃。
- (D) t 檢定比較的是平均。情境沒有兩組平均要比較。
回看：第 10 篇
第 4 題
某零售公司的分析師執行下面這行程式。
df.groupby('store')['sales'].sum().nlargest(5)
結果是什麼？
- (A) 各門市銷售總額最高的 5 間
- (B) 資料裡的前 5 筆交易
- (C) 銷售總額最低的 5 間門市
- (D) 每一間門市銷售金額最高的 5 筆交易
看答案與解析
答案：A
groupby('store') 依門市分組。['sales'].sum() 把每個門市的 sales 加總，每個門市只剩一筆總額。nlargest(5) 從這些總額取出最大的 5 個，就是銷售總額最高的 5 間門市。
- (B) 前 5 筆交易要對原始列取頭。這裡先分組加總，已經不是原始交易順序。
- (C) 最低的 5 間不是
nlargest。 - (D) 加總之後每個門市只剩一個總額，沒有留下該門市的前 5 筆明細。
回看：第 8 篇
第 5 題
某內容平台把新版頁面做 A/B 測試，對照組與實驗組各 200 萬人。兩組轉換率相差 0.02 個百分點，檢定得到 p < 0.001。這項結果該怎麼用？
- (A) p 這麼小，表示新版提升很大，應立即全面上線
- (B) 統計上已經顯著，仍要先評估效果量與實務價值，再決定是否上線
- (C) 樣本大到各 200 萬人，檢定沒有意義，整段結果作廢
- (D) 這是兩組轉換率，應改做卡方適合度檢定
看答案與解析
答案：B
0.02 個百分點換到比例尺度：0.02 ÷ 100 = 0.0002。p < 0.001 表示這麼大的樣本下，這個差距不像碰巧，統計顯著成立。上線與否要看 0.0002 的比例差有沒有實務價值。效果量回答的是差多大，p 回答的不是這件事。
- (A) p 小不能把 0.0002 說成很大的提升。
- (C) 樣本大不會讓檢定失效。它讓很小的差也能達到顯著，所以更不能拿 p 代替效果量。
- (D) 卡方適合度檢定（chi-square goodness-of-fit）看的是一個類別變數像不像某個給定的理論比例，不是這裡的決策。若題目改問「兩組轉換率用哪種檢定」，對照表是兩比例 Z 檢定；換成它也不會把 0.0002 變成很大的效果。
回看：第 4、9 篇
第 6 題
某跨國公司要讓員工查詢最新的內部規章。規章經常改版，正文含有員工個資欄位。問答系統應該怎麼做？
- (A) 用全部規章微調一個公開模型，之後不必再更新
- (B) 把規章原文貼進公開聊天服務，請它代答
- (C) 個資留在文件裡即可，只要回答能看到條文
- (D) 用 RAG 回答；建索引前去識別化，或加上權限控管，使不該看的人讀不到個資欄位
看答案與解析
答案：D
規章經常更新，適合 RAG：回答時查最新文件，改版後更新索引。文件含員工個資欄位，建索引前要去識別化，或用權限控管限制誰能查到那些欄位。兩件事都要做。
- (A) 微調凍結的是當時那一版規章，新條文不會自動進來；個資也會留在公開模型裡。
- (B) 把含個資的原文送到公開聊天服務，文件離開可控範圍。
- (C) 情境已經寫明含有員工個資欄位，索引與回答都會碰到這些欄位。
回看：第 17、18 篇
第 7 題
某工廠有 200 台感測器，每秒回傳一次讀值，傳輸偶而中斷約 10 分鐘。現場要做即時預警。資料進來之後應該怎麼處理？
- (A) 每天匯出 CSV，用當天平均填補缺口後再跑預警
- (B) 只要某台感測器出現過中斷，就整台刪除
- (C) 在邊緣端處理短缺口，以前值填補或內插，並以串流計算特徵做預警
- (D) 先打亂時間順序，再送進批次模型
看答案與解析
答案：C
200 台感測器每秒回傳，而且要即時預警，對上邊緣運算與串流：現場先處理，再計算預警要用的特徵。偶發的約 10 分鐘中斷在這題是短缺口，以前值填補或內插補上，不改成整天的平均。
- (A) 每日匯出 CSV 趕不上即時；用當天平均填補會抹掉中斷前後的變化。
- (B) 偶發中斷不是整台失效。刪掉所有出現過缺口的感測器，會失去仍在回傳的讀值。
- (D) 即時預警的特徵依賴時間先後。打亂之後，讀值不再是「到這一秒為止」的序列。
回看：第 5、7 篇
第 8 題
主管要用一張圖看 20 個特徵彼此的相關，相關有正有負。應該畫什麼？
- (A) 相關矩陣熱圖，顏色用以 0 為中心的發散色
- (B) 同一批相關改用循序色，顏色越深表示相關越強
- (C) 20 張圓餅圖，每張代表一個特徵
- (D) 長條圖比較 20 個特徵的平均，並把 Y 軸從資料範圍的中段截斷
看答案與解析
答案：A
20 個特徵的兩兩相關是一張矩陣，用熱圖。相關有正有負，顏色要用以 0 為中心的發散色，正負才分得開。
- (B) 循序色（sequential palette）只有由弱到強的一個方向，0 不在色階中央，負相關會被看成比較弱的正相關。
- (C) 圓餅圖看的是一個整體裡各部分的佔比。20 張圓餅沒有「特徵 i 對特徵 j」的格子。
- (D) 長條圖比的是各特徵自己的高低，不是兩兩相關；從中段截斷 Y 軸還會把接近的高度畫成很大的差距。
回看：第 11 篇
第 9 題
某電商團隊在訓練一個預測模型時，訓練損失一路下降，但驗證損失從第 8 個 epoch 開始上升。同一個團隊的客服助理，偶爾會編造文件裡不存在的退貨規定。下面哪一種處理是對的？
- (A) 兩個問題都靠再訓練更多 epoch 解決。
- (B) 把客服助理的溫度調到 0，就不會再編造不存在的退貨規定。
- (C) 預測模型在第 8 個 epoch 後開始過擬合，應提早停止，並保留第 8 個 epoch 的參數。客服助理要用 RAG 提供退貨規定文件，並要求回答附上來源。
- (D) 驗證損失上升代表學習率太小，要繼續訓練。
看答案與解析
答案：C
訓練損失還在下降，驗證損失卻從第 8 個 epoch 開始上升，表示模型在第 8 個 epoch 之後開始過擬合。提早停止就是不再繼續後面的 epoch，並保留第 8 個 epoch 的參數。客服助理編造不存在的退貨規定，是因為回答沒有文件依據。要用 RAG 提供退貨規定文件，並要求回答附上來源，依據才對得起來。
- (A) 再訓練更多 epoch 會讓驗證損失繼續上升，過擬合更嚴重；多訓練也不會補上客服助理缺少的退貨規定。
- (B) 溫度調到 0 只讓用詞更固定，文件沒有的退貨規定仍會被說成確定的內容。
- (D) 學習率太小時，損失多半降得很慢；訓練損失持續下降、驗證損失從中途上升，不是這個形狀，繼續訓練會讓過擬合更嚴重。
回看：第 13、16、17 篇
第 10 題
某工廠用 3,000 張標註過的零件影像做瑕疵分類，瑕疵只占 4%。第一版模型準確率 96%，卻一個瑕疵都沒抓到。下面哪一種判斷是對的？
- (A) 96% 已經很高，可以上線。
- (B) 改用從零訓練的大型模型就會好。
- (C) 先對全部影像做過採樣，再切分訓練與測試。
- (D) 模型把所有影像都判為正常，準確率等於正常品比例 96%。應改看召回率與精確率，並用預訓練 CNN 做遷移學習、搭配資料擴增。重採樣只在訓練資料內做。
看答案與解析
答案：D
一個瑕疵都沒抓到，又得到 96% 準確率，等於把每一張都判成正常。正常品比例是 1 − 0.04 = 0.96。用張數算：3,000 × 0.04 = 120，瑕疵 120 張；3,000 − 120 = 2,880，正常 2,880 張。全部判正常時判對 2,880 張，2,880 ÷ 3,000 = 0.96，就是 96%。瑕疵的召回率是 0 ÷ 120 = 0。所以要改看召回率與精確率。標註影像是這 3,000 張，做法是用預訓練 CNN 做遷移學習，並搭配資料擴增；重採樣若要做，只在訓練資料內做。
- (A) 96% 就是全部判成正常的準確率，瑕疵召回率是 0，不能上線。
- (B) 這裡要做的是預訓練 CNN 的遷移學習與資料擴增。改成從零訓練的大型模型，並沒有處理全部判成正常這件事。
- (C) 先對全部影像過採樣再切分，測試用的影像在切分前就被改過，這是資料洩漏。重採樣只在訓練資料內做。
回看：第 12、14、15 篇
五、重點回顧
- 每一步先問資料型態、目標與限制，方法跟著這些前提走；藥局的領藥預測與客服助理，從有沒有標籤、是不是表格、依據是不是內部文件，就該分開。
- 最常見的三種失誤是：特徵或前處理把預測時點之後的資料、或驗證資料，漏進訓練；陽性少的時候只看準確率；上線之後沒有人看資料漂移與概念漂移。
- 中位數、四分位距、統計顯著與 A/B 測試負責看清資料和上線差異，邏輯斯迴歸、梯度提升與召回率、精確率負責預測誰該被提醒，同一個專案裡兩邊一起支撐決定。
- 生成式客服要有文件依據：用 RAG 檢索、回答附上出處、找不到依據就說不知道並轉真人；處方與會員身分用假名化並限制權限，個資不送進外部的生成式 AI 服務。
- 綜合練習若答錯，用第二節的對照表找到篇章，重讀該篇的「容易混淆的地方」，再回到這篇的藥局案例對一次。