iPAS 科目一最容易搞混的三組觀念，考題就愛考這裡

準備科目一的時候，我發現有些觀念不是不懂，是「看起來都對」。

四個選項擺在一起，每一個都有印象，但就是說不出來哪裡不一樣。這種題最容易錯，因為你不是不會，你是分不出來。

我把三份考卷的科目一 150 題整理過一輪之後，發現最常出現、也最容易掉進去的就是下面三組。

一、四種學習類型：只看標籤

監督式、非監督式、半監督式、強化式，這四個名詞背起來不難，但題目一給情境就開始猶豫。

其實辨識的關鍵只有一個，就是訓練資料裡有沒有標籤、標籤有多少。

拿學開車比喻：

・監督式：教練坐旁邊，每個動作都告訴你對不對 ・非監督式：丟一堆行車紀錄器影片給你，自己看出規律 ・半監督式：教練只帶前幾次，剩下你自己練 ・強化式：沒人教，撞到才知道痛，順利過彎就爽

對回定義就是：監督式有完整標籤，非監督式完全沒有，半監督式是少量標籤加上大量未標籤，強化式靠跟環境互動拿到獎勵或懲罰。

最常見的陷阱是把「少量標籤加大量未標籤」看成監督式。只要題目提到「標註成本很高，但原始資料很多」，答案幾乎都是半監督式。

二、資料不平衡：分清楚在處理哪一端

這組的難點不在觀念，在於同一個情境下有好幾種做法，你要選出題目要的那一種。

先理解為什麼會出問題。模型訓練的目標是把整體損失壓到最低，當某一類佔了絕大多數，「全部都猜多數那一類」就能拿到很漂亮的準確率。

所以準確率高不代表模型有用。真正被拖垮的是少數類別的召回率，模型幾乎不會把東西判給稀有類別。

處理方式大致分兩種思路：

1️⃣ 想辦法補平資料 最常考的是 SMOTE，全名是合成少數類別過採樣技術。它的做法是在少數類別樣本跟它的鄰居之間，在連線上內插造出一筆新樣本。重點是「造出新的」而不是「複製舊的」，所以比單純重複採樣更不容易過度擬合。

2️⃣ 乾脆不補，只學正常 當異常樣本少到極端，與其硬湊，不如換個方向。只拿正常資料訓練，讓模型學會完美重建「正常」的樣子。上線後正常資料重建誤差小，異常資料因為模型沒看過，誤差就大，用門檻值就抓得出來。

判斷的關鍵在題幹。題目說「標籤太少但還是有」，走補資料那條；題目說「幾乎拿不到異常樣本」或直接寫「缺乏標籤」，走只學正常那條。

順帶一提，這種題目問評估指標時，答案通常不會是準確率。

三、可解釋 AI：先分路線，再分方法

這是科目一最高頻的考點，三份考卷加起來考了 12 題，平均每份 4 題。

第一步永遠是先分成兩條路線：

・內建可解釋：選一個本身就透明的模型。線性迴歸看係數、決策樹看分支路徑，模型長什麼樣就解釋成什麼樣 ・事後解釋：模型已經訓練完了，而且通常是黑箱，再從外面用額外的方法推敲它的行為

用房子比喻的話，內建可解釋是玻璃屋，本來就看得見裡面；事後解釋是在屋外裝監視器，房子還是不透明，但你能推敲裡面發生什麼事。

LIME 跟 SHAP 都屬於事後解釋這一條。

LIME 的全名已經把答案寫出來了：Local（局部）、Interpretable（可解釋）、Model-agnostic（與模型無關）、Explanations（解釋）。

它處理的是「這一筆為什麼是這個結果」。就像你被醫生判定為高風險，你不會要求他重寫整套醫學教科書，你只想知道自己這一次為什麼被判高風險。

它的做法分三步：在那一筆樣本附近產生一批擾動樣本、丟進黑箱拿到預測結果、再用一個簡單模型去逼近黑箱在這個小範圍內的行為。

反事實解釋則是回答「如果我當初怎樣，結果會不會不同」。以信貸為例，它會告訴被拒絕的客戶「如果年收入再多 10 萬就會通過」。

考題很愛考它的三個條件： ・可操作性：客戶真的做得到，不能叫人把年齡改掉 ・邏輯與因果一致性：改一個特徵，相依的其他特徵也要合理連動 ・法規合規：不能碰性別、種族這類受保護特徵

怎麼練這三組

觀念看懂之後，一定要用題目驗收。這三組的共同特徵是「單看解釋都會覺得自己懂了」，但換成四個選項擺在一起就開始猶豫。

考古題詳解庫可以按章節找到這幾個主題的題目，每一題都寫了為什麼對、為什麼錯。想一次練整組的話，用練習測驗挑章節出題會比較快。

如果你想要一份把觀念、圖卡跟對應考古題整理在一起的東西，我自己整理的科目一學習筆記也在這個網站上。

祝你考試順利！