深度學習｜內行人的做法

28

|

第一章：機器學習

二元分類器（binary classifier）是最基本的一種分類形式，它只會輸出兩種標籤（兩種

類別：分別為 0 和 1）。輸出的結果也有可能是介於 0.0 到 1.0 之間的浮點數，這就表示

分類的結果並不是絕對確定的。在這種情況下，我們就必須設定一個門檻值（通常是

0.5），好讓我們在兩種類別之間劃出一條分界線。我們經常把 0 與 1 這兩種類別，分別

用「陰性 / 陽性」、「正面 / 負面」（positive/negative）的說法來做為區隔。稍後我們在

「模型評估」一節還會有這方面的詳細討論。

二元分類的例子包括：

• 把人分類成患病或未患病

• 把電子郵件分類成垃圾郵件或非垃圾郵件

• 把交易分類成詐騙交易或正常交易

除了兩種標籤的做法之外，我們也可以使用具有 N 個標籤的分類模型，然後分別針對每

個輸出標籤進行給分，再以最高分的標籤做為其輸出標籤。隨後我們談到多輸出與單輸

出（二元分類）神經網路時，還會有更進一步的討論。本章稍後談到邏輯迴歸，並深入

到神經網路的完整架構時，也會討論到更多關於分類的內容。

推薦

所謂的「

推薦

（

recommendation

）」，指的是一種會推薦東西給使用者的程

序，其中這個系統會根據其他類似使用者的選擇，或是參考使用者自己之

前看過的其他東西，而向使用者做出推薦。其中有一種比較有名的推薦演

算法，叫做「

協同過濾

（

Collaborative Filtering

）」，主要是因為 Amazon.

com 的使用而得以聞名。

集群

所謂的「

集群

（