L06｜中文 F3 學生的學習紀錄

角色設定：我是中三學生，只看得懂中文。Python 學過變數、for 迴圈和 list，數學讀到一元二次方程。我靠中文課程筆記、YouTube 自動翻譯字幕和查字典來學。Kaggle 筆記本的操作步驟，是依官方 notebook 流程寫下的練習紀錄。

我讀懂了什麼（用自己的話）

決策樹就像「二十個問題」遊戲：每次問一個是非題，把可能性分兩半。
一棵樹容易出錯，很多棵用不同資料長出的樹一起投票（取平均）就準很多，這是隨機森林。
隨機森林可以告訴我哪個欄位最重要，例如鐵達尼號裡性別最重要。
比賽要先交一個簡單的版本，每天改一點再交，看分數有沒有進步。
測試時也可以把圖片轉一轉、翻一翻，預測好幾次再平均，叫 TTA。

我卡住的地方，和我怎麼解決

卡住的地方	我怎麼解決
「標準差」是什麼	數學課還沒教。我理解成「這組數字有多分散」，全部一樣就是 0。用 Python 的 statistics.pstdev 驗算。
Bagging 和 Boosting 名字很像	我用比喻記：Bagging 是一群人各自猜再平均；Boosting 是一個接一個，後面的人專門修正前面的錯。
不懂為什麼要把圖片先縮小再訓練	看到 Jeremy 說 Kaggle 的 CPU 讀大圖片很慢，GPU 都在等，縮小後速度快很多。

練習作答

Q1. 用性別切分鐵達尼號的一小組資料：A 組生還 [1, 1, 1, 0]，B 組生還 [0, 0, 0, 1]。用「母體標準差 × 組大小」相加算出切分分數。完美切分的分數會是多少？

A 組平均 0.75，母體標準差約 0.433，乘以 4 ≈ 1.732；B 組平均 0.25，標準差也約 0.433，乘以 4 ≈ 1.732。總分 ≈ 3.464。完美切分是每組答案全部一樣，標準差都是 0，分數是 0。

Q2. 什麼是 OneR？為什麼建議每個專案都先做一個這樣的基準模型？

OneR 是只用一個欄位、只切一刀的模型，例如「女生就預測生還」。它很簡單，但給了一個最低標準：之後任何複雜模型都要贏過它，才值得用。

Q3. 用「猜一罐糖果有幾顆」解釋為什麼平均很多棵不相關的樹會更準。

全班每人各自猜糖果數量，有人猜太多、有人猜太少，只要大家是獨立猜的，平均起來常常很接近真正的數字。每棵樹也是獨立的猜測，錯的方向不同，平均後誤差互相抵消。

Q4. 用線性模型時要做的哪些前處理，換成隨機森林就不需要？至少說三個。

① 不需要把類別欄做成虛擬變數。② 不需要對 Fare 取 log 處理長尾。③ 不需要正規化。④ 也不太需要擔心極端值。

Q5. 特徵重要性可以怎樣幫你理解資料？舉一個你會用它的例子。

它可以告訴我哪些欄位真的有用、哪些可以刪掉。例如我想預測同學會不會參加羽毛球校隊，可以放進年級、身高、每週運動時數、有沒有球拍，看哪個欄位最重要，再決定怎麼宣傳。

我的卡片盒筆記

卡片｜很多個獨立的普通判斷，平均起來會比一個專家更準

隨機森林的核心很簡單：讓很多棵樹各自用不同的資料做判斷，再取平均。每棵樹都不完美，但它們犯的錯不一樣，平均後錯誤互相抵消。關鍵在「獨立」，如果大家都抄同一個人，平均也沒用。

我們班上次做過猜糖果罐的活動，三十個人各自寫數字，最接近的人差了 40 顆，但全班平均只差 8 顆。當時大家覺得是巧合，學完這課我才知道背後是同一個原理。不過我也想到反例，如果大家先在 WhatsApp 群組討論過再猜，答案會往同一個方向偏，平均就不準了，這就是為什麼隨機森林要用隨機子集和隨機欄位，刻意讓每棵樹不一樣。這也提醒我，獨立判斷比人多更重要。

下次小組做決定時，我要先請每個人自己寫下意見，再一起討論，避免大家一開始就跟著同一個人走。

🔗 推薦產生關聯的筆記： → 團隊合作類：「先獨立思考，再集體討論」 → 統計類：「平均能抵消的是隨機誤差，不是共同偏差」 → 比賽類：「每天提交一點進步，比一次做到完美更有效」

回到課程筆記：L06_隨機森林_202611041526