Machine Learning

在許多機器學習與決策系統中，我們面對的並不是可直接量測的品質分數，而是大量兩者相比，哪一個比較好的偏好判斷。這類成對比較資料雖然簡單，卻隱含了豐富的結構資訊。本文將從機率語意出發，逐步說明如何透過 Bradley–Terry 模型，將這些偏好比較轉化為可學習的潛在分數（latent score）表示。

在機率模型與機器學習中，熵（entropy）是用來量化不確定性的核心概念。它不僅描述資料本身的隨機性，也隱含了在預測與建模過程中所必須付出的最低資訊成本。許多看似不同的學習目標，例如對數概似（log-likelihood）最大化或損失函數（loss function）的設計，其實都可以回溯到 entropy 的觀點來理解。

當模型的效能低下時，它無法準確地預測資料。它的主因可能是 overfitting 或 underfitting。如果是 overfitting 的情況，我們可以使用 regularization 來解決模型 overfitting 的問題。

過擬合和欠擬合（Overfitting and underfitting）是模型準確率不彰的主因。要能夠判斷模型是 overfitting 還是 underfitting，才能夠採取正確的方法來提升模型的效能。

在機器學習中，在我們將資料拿來訓練模型之前，通常要先對資料做特徵縮放（feature scaling）。本文章將介紹一些 feature scaling 的方法。

混淆矩陣是一個用來衡量模型效能的工具。這使得資料科學家可以分析並優化模型。因此，在學習機器學習時，我們必須要學會使用混淆矩陣。此外，本文章還會介紹 accuracy、recall、precision、和 F1 score。