iPAS AI 初級・漫畫式小白教材

SVM vs 寬深模型

Support Vector Machine × Wide & Deep｜「找分界線」vs「記住＋泛化」

🎬 第一幕：零售店的 AI 難題

🛒 顧客資料

👤🛒📊

年齡、收入、會員等級、商品類別……好多特徵！

而且有大量稀疏的類別特徵。

🧩 新舊組合

🧩❓

「這個特徵組合以前出現過嗎？」

模型要能學過去的規律，也希望遇到沒看過的新組合仍能合理預測。

🧠 Wide & Deep

↔️🧠

Wide：擅長記住特定組合。

Deep：擅長學習特徵表示、做泛化。

兩邊一起用！

🧠 一句話先背起來

Wide & Deep＝「Wide 記住過去，Deep 學習泛化。」

SVM＝「找一條能把不同類別分開的最佳決策邊界。」

本題關鍵：大量稀疏類別特徵＋既有組合記憶＋未出現組合的泛化 → Wide & Deep。

🎭 第二幕：SVM 是「找最佳分界線」高手

🔵 vs 🔴

🔵🔵 🔴🔴

不同類別的資料混在平面上。

⚔️ 找分界

🔵 | 🔴

「我要找一條邊界，讓兩邊盡可能分開！」

核心概念：最大化 Margin。

📍 Support Vectors

🔵📍🔴

最靠近決策邊界的資料點很重要。

它們就是支援向量。

🧩 第三幕：什麼叫「稀疏類別特徵」？

🏷️ 類別很多

👕👟📱🍔

商品、會員、城市、裝置等類別可能非常多。

📊 One-hot

⬜⬜⬛⬜⬜

轉成高維表示後，大部分位置可能都是 0。

→ 稀疏（Sparse）

🧠 Wide & Deep

↔️➕🧠

Wide 可利用稀疏特徵與特徵交叉。

Deep 學習更一般化的特徵表示。

🎬 第四幕：Wide 在「寬」什麼？

📌 歷史組合

🛒❤️📱

「買過球鞋＋喜歡運動品牌」→ 常買運動服

↔️ Wide

🧩↔️🧩

Wide 部分可透過特徵交叉學習資料中有價值的組合。

📌 Memorization

🧠📌

考試看到 Memorization，就想到 Wide。

🌱 第五幕：Deep 在「深」什麼？

📦 特徵

🏷️📊

原始特徵先轉成模型能學習的表示。

🧠 多層網路

🧠➡️🧠➡️🧠

「我學習更複雜、抽象的特徵關係！」

🌱 Generalization

🧩➡️🌱

即使某組合沒有直接出現過，也可利用學到的表示做合理預測。

🔄 第六幕：Wide & Deep 一起工作

① 📊 特徵
類別＋數值

② ↔️ Wide
Memorization：學習既有特徵交叉

③ 🧠 Deep
Generalization：學習特徵表示

Wide（Memorization）＋ Deep（Generalization）→ Prediction

🥊 第七幕：SVM vs Wide & Deep 到底差在哪？

比較	🔵 SVM	🟠 Wide & Deep
核心	找最佳決策邊界	結合記憶與泛化
關鍵字	Margin、Support Vector、Kernel	Wide、Deep、Memorization、Generalization
本題描述	不是核心架構	正好符合
漫畫	⚔️「我找最佳分界線！」	🧠「我既記得，又會舉一反三！」

⚠️ 第八幕：四個選項的考試陷阱

❌ A 線性迴歸：核心是線性關係與連續數值預測，不是本題的「記憶＋泛化」雙路架構。

❌ B 決策樹：可處理類別與數值特徵，也能學非線性關係，但不是本題描述的 Wide／Deep 雙路架構。

❌ C SVM：核心考點是 Margin、Support Vectors、Kernel 與決策邊界，不是「Wide 記憶＋Deep 泛化」。

✅ D Wide & Deep：Wide 負責 Memorization；Deep 負責 Generalization，正好符合題目需求。

🏪 第九幕：實際應用

📌 Wide：我看過，我記得

歷史資料中某些特徵組合經常一起出現，Wide 可以利用這些組合。

Memorization

🌱 Deep：我沒看過，也能推

透過學到的特徵表示，對相似但未直接出現的組合進行泛化。

Generalization

🧠 iPAS 考前超強口訣

Wide＝📌 Memorization（記憶）
Deep＝🌱 Generalization（泛化）

看到「已出現的特徵組合」→ Wide

看到「未出現的特徵組合」→ Deep

看到「稀疏類別特徵＋記憶＋泛化」→ Wide & Deep

⭐ Wide 記住、Deep 泛化；兩個合起來 Wide & Deep！

🎯 最後來做你提供的例題

題目：某零售企業建置模型預測顧客購買機率，資料含大量稀疏類別特徵與數值型特徵；模型希望學習已出現的特徵組合，也能對未出現的組合合理預測。哪一種最適合？

A. 線性迴歸
B. 決策樹
C. SVM
D. 寬深模型 Wide and Deep

🎯 正確答案：D ✅

關鍵字：大量稀疏類別特徵＋已出現組合＋未出現組合。

Wide & Deep 的核心正是：Wide＝Memorization；Deep＝Generalization。

❌ A：不是本題所強調的記憶＋泛化架構。

❌ B：雖能處理不同特徵，但不是 Wide & Deep 的雙路設計。

❌ C：SVM 重點是決策邊界、Margin、Support Vectors。

✅ D：Wide 記住歷史特徵交叉，Deep 學習表示並泛化到新組合。

⭐ 看到「記住＋泛化」→ Wide & Deep

📌 考前最後一張小抄

關鍵字	立刻想到
Margin／Support Vector	⚔️ SVM
Kernel	⚔️ SVM
已出現特徵組合	📌 Wide／Memorization
未出現特徵組合	🌱 Deep／Generalization
稀疏類別＋記憶＋泛化	⭐ Wide & Deep

⭐ SVM 找分界線；Wide 記住，Deep 泛化；記憶＋泛化＝Wide & Deep。