機器學習是什麼：從訓練到預測的一整條流程

2026-10-05

一間機構想讓系統判斷個案屬於哪個類別時，重點不只在模型名稱，而在資料、判斷、預測與日常工作如何串成完整流程。

機器學習與逐條編寫規則的分別

Google Machine Learning Glossary 將機器學習定義為：讓計算機從資料中學習，而不是由程式逐條明文編寫規則。傳統規則式程式把判斷條件明確寫在程式內；機器學習則透過訓練，從資料中學到模型參數。

兩者的分界在於規則從哪裏來。規則式程式由人預先決定條件，機器學習則把可調整的判斷參數交由訓練過程形成。判讀一個方案時，可以問：條件是作者逐條寫定，還是從資料中學到？對機構而言，這比只看方案是否稱呼自己為「AI」更有意義。

分類是把資料分到離散類別。feature（特徵）是作判斷的輸入欄位；label（標籤）是預測的目標答案；model（模型）則是訓練後所得的參數組合。機構首先要分清哪些欄位屬於輸入，以及哪個答案才是預測目標。

Google Machine Learning Crash Course — Classification 指出，模型通常輸出機率，再由閾值決定哪一邊算正類。閾值改變，機率輸出中哪一邊算正類也會改變。機率是模型作出的預測輸出，不等於模型整體表現的評估結果。

閱讀分類方案時，要判斷特徵是否真的是模型作出判斷時使用的輸入、標籤定義是否明確，以及採用哪個閾值把輸出轉成類別。評估模型時亦要用指標衡量，不能只看模型自己說多有信心。

標註是為用作學習的資料配上目標標籤。要判斷的是標籤定義是否清楚、不同標註是否一致，以及特徵是否確為模型判斷時使用的輸入欄位。 若標註者對目標答案有不同理解，便應先整理標註定義，否則模型無法清楚知道要學習甚麼關係。

scikit-learn 的 train_test_split 文件說明，資料可以隨機切成訓練與測試子集。傳入固定的 random state，可以令切分結果可重現；面對類別不平衡的分類任務，可使用 stratify 作分層劃分，讓各組別的比例在兩份資料中大致維持。

scikit-learn 的 Cross-validation 文件則把交叉驗證描述為：將資料輪流切成 k 折，每一折輪流作驗證集，用來比較不同模型或參數的表現。測試集則必須獨立保留到最後。

要判斷的是切分能否重現、分類資料是否需要分層劃分，以及測試集是否真正獨立保留。 這些安排的目的，是讓後續評估不會建立在已經參與學習或選擇的資料上。

訓練是在訓練資料上，讓模型學出參數組合。要判斷的是參數來自哪批資料，而該批資料的特徵與標籤是否已經明確。 訓練完成代表模型從訓練資料形成了參數，仍不代表方案已經通過驗證或測試。

驗證用來比較不同模型或參數的表現。k-fold 交叉驗證會讓每折資料輪流作驗證集，配合評估指標比較方案。對分類任務，也要把閾值納入檢視，因為它會決定機率輸出中哪一邊算正類。

要判斷的是哪些方案在既定指標下較合適，以及正類與閾值的定義是否清楚。 Google Machine Learning Crash Course — Classification 提醒，評估應使用指標，而不是只依模型輸出的信心程度。

測試集在模型、參數與閾值決定前不應參與選擇，並須獨立保留到最後。測試階段以指標評估已選方案，而不是只報出某次預測的機率。

要判斷的是測試集是否真正獨立，以及測試所用的標籤、任務與指標是否和驗證階段一致。 測試結果應成為最後評估依據，而不是繼續用來挑選方案。

部署是把通過評估的模型接到實際預測介面：輸入特徵，模型輸出機率，再由閾值把輸出轉成類別。機構要判斷實際介面收集的欄位是否與訓練時使用的特徵一致，並記錄模型、標籤定義、閾值及採用指標。 這些資料令使用輸出有可核對的依據，也方便日後判斷問題出在哪個環節。

監控要延續整套流程，而不是只看介面有沒有回應。應檢查實際輸入是否仍能按原有特徵定義解釋、機率與類別是否按同一閾值解讀，以及評估是否仍以指標而不是模型自信程度為依據。

要判斷的是資料、標籤、模型輸出、閾值與評估指標是否仍然對得上。 當實際使用中出現無法解釋的輸入或類別判定時，便應回到相應環節，重新檢視標註、特徵、訓練、驗證或部署設定。