機器學習（Machine Learning）是什麼

機器學習是利用資料訓練模型，讓它學到可用於預測或產生內容的關係。和把所有判斷逐條寫死不同，開發者會選擇資料、模型形式和學習目標，再由訓練程式調整模型。真正要驗證的，不是它能否記住已看過的資料，而是面對新情況能不能提供有用的結果。

早餐店想預估隔天需要多少份備料，可以作為直觀例子。店家有過往銷量、星期、營業時段和天氣資料，但隔天的真實需求還不知道。以下用這個原創情境說明訓練與使用的差別，不提供實際銷量預測或保證。資料查證截至 2026 年 9 月 14 日。

資料中的特徵與答案扮演不同角色

Google 的機器學習入門以從資料訓練模型來做預測或生成內容說明這個概念。在監督學習裡，特徵是模型用來判斷的輸入，標籤則是訓練時提供的答案。早餐店的星期與天氣可以是特徵，當天實際售出份數則是標籤；這些角色取決於目前要解決的任務。

同一欄資料換個任務就可能換角色。若要預測銷量，天氣是參考資訊；若要預測降雨，降雨狀態就可能成為答案。先定義問題才能決定收集什麼。不是把試算表所有欄位都丟進去，模型就自然知道哪個欄位可以使用，以及哪些資訊在預測當下還不存在。

還要區分需求與銷量。某天只準備少量餐點並提早售完，紀錄的銷量不等於顧客真正想買的數量。模型若只學這份紀錄，可能把缺貨當成需求低。這是原創例子裡的資料意義問題，提醒我們：標籤的業務定義不清楚，再精密的演算法也可能學錯目標。

訓練是調整，推論是拿來使用

訓練時，模型先依目前參數產生預測，再用損失函式比較預測與標籤的差距，更新參數以減少某種錯誤。訓練完成後，輸入新的星期和可取得的天氣資訊，模型產生預估，這個使用階段叫推論。每次預測不一定會重新訓練，兩種流程應分開理解。

在示例中，可以先用較早期資料訓練，再拿較晚期、未參與訓練的日子測試。預期產物是每一天的預估和真實結果對照，並記下高估、低估及其後果。少備導致缺貨，多備導致浪費，兩種錯誤的代價可能不同，因此「平均差多少」不一定涵蓋店家全部關心的事。

簡單基準也很重要，例如直接參考最近相同星期的銷量。新模型若沒有明顯優於可理解的基準，卻需要大量維護，可能不值得使用。比較時應使用相同測試期間和相同可取得資料，不要讓某種方法提前看見答案，另一種卻只能靠當時資訊。

資料洩漏會讓好成績失去意義

scikit-learn 的官方文件把資料洩漏列為常見陷阱：測試資訊透過不當處理進入訓練，會使評估過於樂觀。對早餐店而言，若把當天結帳金額當作預測當天銷量的輸入，模型可能表現很準，但前一晚做備料決定時根本拿不到這個欄位。這種結果無法支援預期用途。

前處理也要遵守資料邊界。例如需要依資料計算某種轉換參數時，應只用訓練資料取得，再把同一轉換套到測試資料。若先用全部資料整理，再切訓練與測試，可能不小心讓未來資訊參與模型建構。工具的 pipeline 能協助保持程式一致，但仍需要人正確設計切分。

測試資料還應接近真實使用情況。預測未來需求時，隨機把相近日期打散，可能讓結果比真正跨時間預測容易。應考慮時間順序、店家差異和資料重複，而不是只看測試集有多大。評估的可信度來自合理設計，不是報表上的小數位數。

學習方式不只一種

監督學習使用輸入與答案對照，可以做銷量預測或垃圾郵件分類。非監督學習則在沒有指定答案標籤的資料中找模式，例如把購買行為相近的交易分組；分出群組並不代表它們自動具有固定的商業意義，還需要人解讀。兩者解決的問題不同，不能只比誰比較先進。

強化學習關心系統在環境中採取行動後得到的回饋，學習較有利的行動策略。它不等於每次有人按讚就立刻更新模型，也不只是任何形式的反覆練習。對一般備料預測，監督式方法可能已足夠，沒有必要因為名詞熱門就改成更複雜的學習形式。

生成式 AI 也建立在機器學習之上，但生成描述與預測份數有不同驗證方法。文字建議看似合理，不表示內部數字已由可靠的需求模型算出。若系統同時使用數值預測與語言說明，應讓讀者能看出哪一部分來自模型估計，哪一部分是後續解釋。

上線後仍要檢查資料是否改變

模型可能過度擬合，對訓練資料的細節太敏感，面對新資料反而表現較差。也可能訓練時合理，但附近學校放假、店家調整品項或新競爭者出現後，資料關係改變。遇到這些情況不能只說「模型以前很準」，而要重新比較近期的預估與真實結果。

預測應幫助做決定，而不是遮住不確定性。可以保留人工調整及原因，例如店家知道隔天附近有活動，卻尚未反映在資料裡。這些紀錄能幫助評估模型與人工各自的作用，也能辨識哪些新資訊值得納入後續資料流程。

理解機器學習的實用問題是：答案如何定義、輸入當時拿不拿得到、測試是否真的隔離，以及錯誤會造成什麼後果。問清楚這些問題，往往比只知道模型名稱更能判斷一個預測系統是否適合自己的工作。

人工智慧（Artificial Intelligence）是什麼

深度學習（Deep Learning）是什麼

模型參數（Model Parameters）是什麼

AI 名詞總索引：從 Loop Engineering 到生成式 AI

• AI 工具
• 教學
• AI 名詞解釋