完整定義
監督式學習是一種機器學習方法,用於建立一個模型,該模型能夠根據帶有標籤的訓練資料進行預測。模型透過學習輸入特徵與輸出標籤之間的關係,進而對新的、未標籤的資料進行分類或迴歸預測。在 iPAS 初級考試中,監督式學習是重要的概念,需要理解其原理、常見演算法(如線性迴歸、邏輯迴歸、支持向量機)以及評估指標。
白話說明
你有沒有想過,模型到底是怎麼學會、怎麼驗收、怎麼慢慢變準的?
你可以把它想成先看答案,再用誤差修正模型。
監督式學習 的重點是 監督式學習是一種 AI 方法,透過提供帶有正確標籤的輸入資料,訓練模型學習預測新資料的標籤
它重要,是因為學習速度、穩定度和泛化能力,會決定模型最後能不能上線。
記住這句
有答案、會更新、看泛化。
比喻:監督式學習就像一個有老師在旁邊教的學生 -- 老師會給學生一堆題目和正確答案,學生從中學習規律,然後就能自己解開沒看過的題目。
容易混淆
監督式學習 vs 機器學習
監督式學習:偏向 讓模型學習、更新與驗收
機器學習:偏向 更大的領域
最關鍵的區別:監督式學習看的是「讓模型學習、更新與驗收」,機器學習看的是「更大的領域」。
監督式學習 vs 非監督式學習
監督式學習:偏向 讓模型學習、更新與驗收
非監督式學習:偏向 沒有標答案的學習
最關鍵的區別:監督式學習看的是「讓模型學習、更新與驗收」,非監督式學習看的是「沒有標答案的學習」。
實際案例
案例:用標答案資料訓練垃圾郵件分類器
訓練時看標籤,部署時只看新郵件內容
案例:先保留一批沒看過的資料來驗收模型
這樣才能知道它是真的會做,還是只會背題
演算法與應用
先看資料,再更新參數,最後看驗證或測試表現
學習率、批次大小和損失函數,常一起決定收斂速度
重點不是背熟訓練集,而是遇到新資料也能做對
情境判斷
Q1(直覺題): 資料很多又想先跑起來,這類方法適不適合?
適合,尤其是你已經有標答案資料,想先做一版可用模型時。
Q2(判斷題): 資料很少但每一步都要很穩,這類方法一定是最佳解嗎?
看情況,資料少時通常還要配合正則化、驗證策略或其他方法,不能只靠同一招。
iPAS 考試出題分析
監督式學習 屬於 iPAS AI 應用規劃師評鑑範圍(高頻・初級),實際考試內容以官方公告為準。
常見一起複習的方向包含:各類學習範式的定義與比較、適用場景判斷、演算法優缺點分析。
常見問題
當你有標答案資料,而且想要穩定做預測、分類或評估時,最值得用。
如果資料太少、標籤品質很差,或任務本身不適合這種學習方式,先換策略通常更有效。
好方法追求泛化,不是把訓練資料背熟;一旦新資料出現,還能不能做對才是重點。
範例考題
下列何者不符合非監督式學習(Unsupervised Learning)的典型特徵?
- A模型可依據資料中的特徵相似性進行自動分群
- B訓練過程中不需仰賴事先定義的標籤資料
- C常用於探索資料的潛在結構或隱含模式
- D模型主要學習輸入特徵與既定目標標記之間的對應關係
正解是 D:模型主要學習輸入特徵與既定目標標記之間的對應關係
解析:非監督式學習的特點是不使用標籤資料,透過資料本身的結構進行分群或降維等任務。學習輸入特徵與目標標記之間的對應關係是監督式學習的特徵,不屬於非監督式學習。
某商業銀行想建立洗錢行為檢測系統,擁有過去 5 年的交易記錄,其中包含已確認的洗錢案例(標記為「異常」)和正常交易(標記為「正常」)。銀行希望系統能自動識別新交易是否為洗錢行為,請問使用下列哪一種機器學習方法最為適合?
- A監督式學習的分類問題
- B非監督式學習的分群問題
- C強化式學習
- D非監督式學習的關聯規則挖掘
正解是 A:監督式學習的分類問題
解析:該場景具有已標記的「異常」和「正常」標籤資料,目標是根據歷史資料預測新交易的類別。這是典型的監督式學習分類問題,使用有標籤的訓練資料來建立分類模型。
出現在這些考古題
官方公告試題的逐題解析裡,有 8 題把監督式學習列為延伸術語,這裡列出 5 題。
立即測驗
想測試你對 監督式學習 的掌握程度?用考古題作答
相關術語
來源
參考來源:ipd.nat.gov.tw
考試範圍:iPAS AI 應用規劃師評鑑內容範圍參考(115.02 更新),經濟部產業人才能力鑑定,實際考試內容以官方公告為準。
其他格式:Markdown 版本