機器學習：讓驗證單位匹配預測任務
驗證分數取決於留出了什麼、要預測什麼。本路線先明確觀測單位、訓練規則與部署物件。對已知裝置重複讀數完美，未必回答新裝置預測問題。
學習計畫與例題由 University Reading List 編輯整理。 編輯與選書方法 · 來源確認日期:
本頁目錄
這份指南適合誰
適合會基礎統計、迴歸、Python閱讀與距離計算者。ISLP較應用，Murphy需更強線性代數、機率、微積分，AIMA延伸到智慧代理與決策。裝置、特徵、標籤均虛構，不宣稱母體預測表現或因果效果。
選擇你的起點
需要側重應用的免費教材
用Python版ISL配概念與實驗，先誤差及重抽樣，再比複雜模型。
三本書如何取捨
An Introduction to Statistical Learning: with Applications in Python（統計學習導論：Python 應用）
Gareth James; Daniela Witten; Trevor Hastie; Robert Tibshirani; Jonathan Taylor · 2023
免費機器學習教材，側重應用
- 什麼情況下適合讀
- 能讀Python和統計，需要概念配實驗。
- 什麼情況下選別本
- 需完整推導或還未學Python。
- 建議閱讀範圍
- 2023 Python版按標題讀統計學習、分類、重抽樣及模型選擇。
- 限制與取捨
- 不同於2013／2021 R版；免費PDF與出版社格式、筆記本依賴分別處理。
選書前試做
為同一重複裝置表寫兩種驗證問題，各選劃分單位。
檢查標準: 留一行不等於留出產生它的裝置。
Probabilistic Machine Learning: An Introduction（機率式機器學習：導論）
Kevin P. Murphy · 2022
免費數學配套
- 什麼情況下適合讀
- 想連結預測、機率、最佳化和決策準則。
- 什麼情況下選別本
- 還不熟線性代數、多元微積分和條件機率。
- 建議閱讀範圍
- 2022入門卷按標題讀數學背景、監督學習和模型評估，再進專門方法。
- 限制與取捨
- 精裝ISBN 9780262046824為2022書，作者免費草稿2025更新、有非商業／禁止改作條件；不是Advanced Topics續卷。
選書前試做
明確查詢來自已知或新裝置，寫評估所需獨立性。
檢查標準: 同組相同特徵不構成對未知組的獨立證據。
人工智慧：現代方法
Stuart Russell; Peter Norvig · 版次: 4 · 2020
綜合AI參考
- 什麼情況下適合讀
- 需把預測放回智慧代理、搜尋、推理和行動。
- 什麼情況下選別本
- 想要無需選讀的短統計實驗路線。
- 建議閱讀範圍
- 第4美國版按標題讀智慧代理與從樣例學習，再按需讀機率、深度或強化學習。
- 限制與取捨
- 美國與Global目錄不同，公開習題與程式碼不等於免費商業全文或全部教師解答。
選書前試做
為分類器描述感知、預測標籤、行動和評價。
檢查標準: 準確率不自動等於效用、安全或決策保證。
開始前需要會什麼
擬合什麼？
本題預先固定1近鄰及平局規則，不用留出行調參或預處理。
目標單位是什麼？
可能是訓練已出現裝置的新讀數，也可能完全新裝置；應依目標留出。
分數說明什麼？
只說明有限題包的精確結果；總體效能還需合理抽樣／部署關係與不確定性分析。
六步學習計畫
已完成步驟: 0 / 6
勾選用於自我記錄，並非成績評定；標記不會傳送給本站。
-
定義物件
建議閱讀範圍: ISLP入門。
要做的練習: 寫未來觀測是什麼、訓練已掌握哪些相關資訊。
檢查標準: 已知與新裝置目標分開寫。
-
固定規則
建議閱讀範圍: 分類章節。
要做的練習: 寫特徵、絕對距離、1近鄰和平局規則。
檢查標準: 裝置ID只分組，不作額外預測特徵。
-
查留行
建議閱讀範圍: 重抽樣與原題。
要做的練習: 給每行列所用訓練鄰居。
檢查標準: 標同裝置副本是否仍在訓練。
-
查留組
建議閱讀範圍: 模型評估。
要做的練習: 同時移走裝置兩行再算。
檢查標準: 演算法不變，隔離劃分單位差別。
-
改變部署
建議閱讀範圍: 變式。
要做的練習: 對已知裝置有界讀數證明近鄰間隔。
檢查標準: 條件穩健性不補救新裝置評估。
-
報告完整結論
建議閱讀範圍: 評估或智慧代理評價。
要做的練習: 一起報劃分單位、目標、預測與有限分數。
檢查標準: 不能看答案選最好分數再無限外推。
原創例題與解析
原創重複裝置表：兩個不同驗證問題
虛構A、B、C、D裝置特徵0、10、20、30，標籤0、1、0、1，每裝置兩行相同記錄。以標量絕對距離作1近鄰，平局選較小特徵。比較逐行留一與整裝置留兩行。
前提假設
八行完整精確，ID只作分組。每折只用保留行，規則固定。分數為預測正確的留出行數，不附抽樣保證。
- 留一行時同裝置副本距離0，八行全對，8/8=100%。
- 留A後最近10標籤1，錯；留D後最近20標籤0，錯。
- 留B後0與20平局且都標籤0，錯；留C後10與30都標籤1，錯。每組兩行均錯，0/8。
- 兩算術均正確，留出的資訊不同。前者保留裝置代表，後者移走整組；均不單獨證明總體準確率。
答案與解釋
留行100%、留裝置0%，劃分單位須匹配任務。
檢驗結果
列兩方案全部預測及鄰居；不推論留組總為零或留行永遠不適用。
改變假設，再做一題
改變目標：已知裝置的有界讀數
現在僅部署同四臺已知裝置，保留八訓練行，查詢標籤保持裝置標籤，特徵離原值最多ε。先取ε=1，再找統一充分半徑並檢驗ε=5。
- ε1時自身訓練點距離≤1，其他裝置至少10−1=9，所有允許查詢正確。
- 一般0≤ε<5，自身≤ε，其他≥10−ε>ε，得統一保證，依賴已知裝置和標籤穩定。
- ε5時B可報特徵5、真標籤1；0與10平局選0，預測0，反例足以否定所有裝置保證。
答案與解釋
ε1及任意ε<5都保證本題已知裝置正確；等於5不保證。這是條件距離證明，不是未知裝置結論。
檢驗結果
核嚴格不等式和B在5的反例。標籤漂移、新裝置或新距離規則會使證明失效。
常見誤區
假定行獨立
重複行可保留部署時不應知道的裝置資訊。
預測等於行動質量
標籤分數不說明損失與行動後果。
有限分數無限推廣
精確題包或明示距離假設不等於任意未來分佈。
進入下一階段之前
- 能定義目標並構造對應劃分。
- 能復算兩帳本及嚴格距離界。
- 能區分有限分數、條件保證與總體主張。
參考來源與版本
來源確認日期:
- Authors: free ISL Python volume and edition distinctions
作者區分Python2023及R版，提供免費應用路線。
- Springer:2023 Python book and five authors
出版社核對五作者Python卷和重抽樣範圍。
- Author: introductory volume and updated free draft
更新草稿與紙本出版日、許可分開。
- MIT Press:2022 introductory hardcover
2022精裝不同於Advanced Topics續卷。
- Authors: fourth US edition, agents and learning contents
第4美國版補智慧代理與學習地圖，不替代同一統計實驗序列。
這些是本站建議的學習活動，並非大學官方作業，也不代表對每本書逐頁通讀。