# HANDOFF — L23202 Boss Review round 1 hotfix（共 4 張）

> 日期：2026-05-12
> 派工人：Heiter
> 來源：boss 在 sidebar 留 5 筆 review（P05 兩筆合併）+ boss_approval 已過
> 圖檔規格：16:9 / 2048x1152
> ⚠️ 本章 prompts.md 整章都有過頁鉤子指令 — 本輪只 fix boss 點到的 4 頁，後續另開全章 prompt 清掃

## 4 張清單

| # | 檔名 | 動因 |
|---|---|---|
| 1 | `L23202_p04_sec2_2_lasso_ridge_v2.png` | Lasso/Ridge 公式中「殘差平方和」label 視覺位置不夠精準 + Ridge 缺「不會壓為 0」紅字底線強調 |
| 2 | `L23202_p05_sec2_3_svr_v2.png` | v1 ChatGPT 自由發揮加過頁鉤子（「Gradient Boosting Regressor 見P076」「P07c / P07b」） |
| 3 | `L23202_p06_sec2_4_decision_tree_regression_v2.png` | v1 自由發揮加過頁鉤子（「隨機森林迴歸見Po7a」「XGBoost+LightGBM見PO76」P07a/P07c） |
| 4 | `L23202_p07a_sec2_5_random_forest_regressor_v2.png` | prompt 內**明確指示**畫過頁鉤子（→ Gradient Boosting Regressor 見 P07b）+ 導論段 (P07b)/(P07c) 字樣，必須拔 |

## 共通負向約束（🚨 本章特別強調過頁鉤子，全頁通用）

```
1. 嚴禁畫成 L23201 / L23203 / L23302 等其他章節 — 本章是 L23202。
2. 🚨 嚴禁出現任何過頁鉤子文字。包括但不限於：
   - 「見 P07」「見 P0X」「見 PO76」「見 Po7a」
   - 「P07a / P07b / P07c」交叉引用
   - 「→ 序列方法...」「← Boosting 序列方法見 P07b」
   - 「下節 P0X」「本節結束 → 下節」
   - 「Gradient Boosting Regressor 見...」「XGBoost / LightGBM 見...」
   - 「← 上一頁」「→ 下一頁」
   每頁應該自帶主標題（2.(X)）+ 副標自我說明，不需要任何跨頁參考。
3. 嚴禁右上角頁碼。
```

---

## 張 1：L23202_p04_sec2_2_lasso_ridge_v2.png

**Boss 留言**：「Lasso 和 Ridge 公式中的殘差平方和都標錯地方了，應該是yi-y那邊吧？如果標不準確不如別標。此外 Ridge 不會壓為0 也可以紅字底線呈現」

### 完整 Prompt

```
請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。

教材原詞必須清楚出現：Lasso 迴歸（Lasso Regression）、L1 正則化項、權重絕對值和、特徵選擇（Feature Selection）、Least Absolute Shrinkage and Selection Operator、嶺迴歸（Ridge Regression）、L2 正則化項、權重平方和、過大的係數、多重共線性嚴重、正則化係數、控制限制強度、所有係數絕對值和、所有係數平方和、平均平方誤差（MSE）、均方根誤差（RMSE）、平均絕對誤差（MAE）、決定係數 R²、調整後 R²、線性關係、誤差常態分佈、變異數齊一性、誤差獨立性、無多重共線性、高維資料、過度擬合、欠擬合、交叉驗證。

公式必須鎖死：
  Lasso: Loss = Σ(yi - ŷi)² + λ Σ|βj|
  Ridge: Loss = Σ(yi - ŷi)² + λ Σβj²

【🚨 公式 label 視覺路徑鎖死規則 — v2 必修】
公式底下三個紅字標籤必須精準指向：
  「殘差平方和」→ 箭頭垂直向上**直指 Σ(yi - ŷi)² 那一項**（不可指 λ、Σ|βj| 或 Σβj²）
  「正則化項（控制懲罰強度）」→ 指 λ
  「所有係數絕對值和」（Lasso）→ 指 Σ|βj|
  「所有係數平方和」（Ridge）→ 指 Σβj²
箭頭嚴禁交叉或偏移。

【Ridge 紅字底線強調】
右欄 Ridge Regression 「核心差異」段加紅字底線重點：
  「⚠️ **Ridge 不會壓為 0**（只壓小）」
  跟左欄 Lasso 的「Lasso 可壓為 0（達到特徵選擇 Feature Selection）」形成對比。

左上角標示「L23202」。主標題寫「2.（2）Lasso 迴歸與嶺迴歸」。

版面切左右雙欄對照式：
- 左欄「Lasso 迴歸（L1 正則化）」：頂部公式手寫框 + 中段核心差異「Lasso 可將係數壓為 0 達到 Feature Selection」+ 全名 Least Absolute Shrinkage and Selection Operator
- 右欄「嶺迴歸（Ridge Regression, L2 正則化）」：頂部公式手寫框 + 中段核心差異「**Ridge 不會壓為 0（只壓小）**」紅字底線 + 適合多重共線性嚴重情境

版面下半切三個橫向小區塊：
①模型評估指標（MSE / RMSE / MAE / R² / 調整後 R²，5 項）
②模型假設（線性關係/誤差常態/變異數齊一/誤差獨立/無多重共線性，5 項）
③適用情境 vs 使用限制（適用：多重共線性/高維/防過擬合/特徵選擇；限制：Lasso 高度相關時可能只保留一個變數、λ 不當欠擬合、Ridge 無法自動特徵選擇）

版面保留舒適留白，避免密密麻麻小字。

【共通負向約束】
1. 嚴禁畫成其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子。
3. 嚴禁右上角頁碼。

輸出檔名：L23202_p04_sec2_2_lasso_ridge_v2.png
```

---

## 張 2：L23202_p05_sec2_3_svr_v2.png

**Boss 留言**：「不應該提到『列方法 Gradient Boosting Regressor 見P076』」+「不應該提到 P07c / P07b」

### 完整 Prompt

```
請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。

教材原詞必須清楚出現：支援向量迴歸（Support Vector Regression, SVR）、支援向量機（Support Vector Machine, SVM）、超平面、預測誤差落在允許範圍（ε-tube）內、超出範圍的誤差最小化、忽略誤差小於 ε、提升對離群值的抵抗力、權重向量、超平面的方向、ε 容忍範圍外的誤差、正則化參數、誤差容忍範圍（ε-tube）、迴歸函數、核函數（Kernel Function）、非線性形式、MSE / RMSE / MAE / R² / 調整後 R²、不強制線性、不需常態、對異常值抵抗力、計算複雜度高、參數設定複雜、RBF 核 γ、不易解釋、不適合極大規模資料。

公式必須保留：
  最小化目標 min(w,b,ξ,ξ*) ½‖w‖² + C Σ(ξi + ξi*)
  線性迴歸函數 f(x) = w·x + b
  非線性核函數 f(x) = Σ αi K(xi, x) + b

左上角標示「L23202」。主標題寫「2.（3）支援向量迴歸（SVR）」。

中央主視覺：「ε-tube 視覺示意」— 散點 + 中央迴歸超平面 + 上下兩條 ε 邊界形成的容忍管道；標出「ε 內的點被忽略」「ε 外的點受懲罰 ξi」。

版面右側列三個公式手寫框（依上方鎖死順序）。

下半切四格 2×2：
  ① 模型評估指標（MSE / RMSE / MAE / R² / 調整後 R²）
  ② 模型假設（不強制線性、不需誤差常態、對異常值抵抗、可分或近似可分）
  ③ 適用情境（非線性關係 / 中小規模 / 需離群值抗性）
  ④ 使用限制（計算複雜度高、參數 C / ε / 核函數 γ 設定複雜、不易解釋、不適合極大規模）

【🚨 嚴禁清單 — v2 必修】
- 嚴禁出現「見 P07」「見 P076」「見 P0X」「P07a / P07b / P07c」「Gradient Boosting Regressor 見...」「下節 P0X」「← →」等任何過頁鉤子或交叉引用文字
- SVR 是獨立一節（2.(3)），跟 2.(5) 集成式迴歸無關，**不要在頁面任何位置 cross-reference**

【共通負向約束】
1. 嚴禁畫成其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子（極度重要）。
3. 嚴禁右上角頁碼。

輸出檔名：L23202_p05_sec2_3_svr_v2.png
```

---

## 張 3：L23202_p06_sec2_4_decision_tree_regression_v2.png

**Boss 留言**：「不該提到『←←隨機森林迴歸見Po7a; > 高效梯度提升 XGBoost + LightGBM見PO76』以及 P07a / P07c」

### 完整 Prompt

```
請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。

教材原詞必須清楚出現：決策樹迴歸（Decision Tree Regressor）、監督式學習演算法、預測連續型目標變數、輸入特徵的不同取值、不斷分割成更小的子區塊、葉節點、區塊內樣本的平均值、捕捉更複雜、非線性的資料結構、對資料的分佈與尺度不敏感、根節點、特徵及其分割閾值、最大深度、最小限制、樣本變異度、MSE / RMSE / MAE / R² / 調整後 R²、非參數模型、不需誤差常態分佈、不需變異數齊一性、不需考慮多重共線性問題、不需假設線性關係、容易過擬合、模型不連續、分段常數、對資料微小變動敏感、無法擅長捕捉非常複雜的邊界。

左上角標示「L23202」。主標題寫「2.（4）決策樹迴歸」。

中央主視覺：橫向決策樹圖示 — 根節點 → 兩個分裂條件（特徵 < 閾值 / 特徵 ≥ 閾值）→ 葉節點寫「樣本平均值 = 52.3」呼應教材示例。

版面左側小區塊寫核心流程 a-b-c：
  a. 從根節點根據特徵與分割閾值分為左右
  b. 子節點重複，直到達樹的最大深度／節點樣本數小於最小限制／節點內樣本變異度足夠小
  c. 葉節點取目標值平均作預測值

版面下半切四格 2×2：
  ① 模型評估指標（MSE / RMSE / MAE / R² / 調整後 R²）
  ② 模型假設（非參數、不需常態/齊一/共線性/線性 4 項假設）
  ③ 適用情境（連續目標、非線性/高階交互、易解釋、類別+數值混合、中小至中大規模）
  ④ 使用限制（容易過擬合、預測不連續、對微小變動敏感、單棵樹捕捉複雜邊界能力有限）

【🚨 嚴禁清單 — v2 必修】
- 嚴禁出現「見 P07a」「見 Po7a」「見 P07c」「見 PO76」「P07a / P07b / P07c」「隨機森林迴歸見...」「XGBoost + LightGBM 見...」「← →」「下節」等任何過頁鉤子文字
- 決策樹迴歸是獨立一節（2.(4)），跟 2.(5) 集成式迴歸無關，**不要在頁面任何位置 cross-reference**

【共通負向約束】
1. 嚴禁畫成其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子（極度重要）。
3. 嚴禁右上角頁碼。

輸出檔名：L23202_p06_sec2_4_decision_tree_regression_v2.png
```

---

## 張 4：L23202_p07a_sec2_5_random_forest_regressor_v2.png

**Boss 留言**：「不該提到『←Boosting 序列方法見Po7b;本節結束 - 下節 Pog 監督式學習-分類任務。』」

### 完整 Prompt

```
請生成一張 16:9、2048x1152 的高解析手寫講義筆記風格投影片，繁體中文必須清楚可讀。背景使用淡米白色方格筆記紙與細方格線。左上角只將 L-code 以淡灰色小字標示。不要加入任何右上角頁碼。右下角浮水印「AIOnDaily × 咖啡AI學」，透明度約 35%。使用黑色粗手寫標題、青綠底線、暖黃色重點框、紅橘標註、多色手繪圓圈編號與小 icon。

教材原詞必須清楚出現：集成式迴歸（Ensemble Regression）、結合多個模型的預測結果、提升整體預測的準確度與穩定性、群體智慧、降低錯誤、減少過擬合、泛化能力、隨機森林迴歸（Random Forest Regressor）、Bootstrap Sample、隨機選取部分特徵、所有樹的預測值平均值、抗過擬合能力強、特徵重要性、可並行訓練、黑箱模型、體積大、預測速度慢。

左上角標示「L23202」。主標題寫「2.（5）集成式迴歸」，副標寫「① 隨機森林迴歸（Random Forest Regressor）」。

【頁首導論橫幅（細條）— 純列方法名，不指向頁碼】
「集成式迴歸（Ensemble Regression）核心 — 結合多個模型的預測結果，降低錯誤、減少過擬合、提升泛化能力。本節三子方法：① 隨機森林迴歸（本頁） ／ ② 梯度提升迴歸 ／ ③ XGBoost+LightGBM」

⚠️ 嚴禁寫成「① 隨機森林迴歸（本頁）→ ② 梯度提升迴歸（P07b）→ ③ XGBoost+LightGBM（P07c）」之類含 P07b/P07c 字樣的格式。純列方法名即可，每張的副標自帶 ①/②/③ 編號識別。

主視覺（佔頁面中央）：
  多棵決策樹並排（4–5 棵）+ 各自從 Bootstrap Sample（隨機子樣本）抽樣
  → 隨機選取部分特徵
  → 各自預測
  → 取所有樹的預測值平均值合成最終預測（含「平均」聚合節點）

版面下半切三格：
  ① 模型運作流程（a. Bootstrap Sample → b. 每棵樹從隨機特徵子集找最佳分裂 → c. 所有樹預測值取平均作最終預測）
  ② 特點（抗過擬合能力強、可計算特徵重要性、可並行訓練）
  ③ 缺點 / 使用限制（黑箱模型、體積大、預測速度慢）

【🚨 嚴禁清單 — v2 必修，本頁特別重要】
- 嚴禁頁尾出現過頁鉤子（「→ 序列方法 Gradient Boosting Regressor 見 P07b」「← Boosting 序列方法見 P07b」「本節結束 - 下節 P08 監督式學習-分類任務」等）
- 嚴禁在導論橫幅內出現「（P07b）」「（P07c）」「（本頁）」這種頁碼參考字樣（只能用 ①/②/③ 編號）
- 嚴禁任何「→」「←」指向其他頁面的箭頭文字
- 主標題自帶「2.(5)」+ 副標自帶「① 隨機森林迴歸」就足夠定位，不需任何 cross-reference

【共通負向約束】
1. 嚴禁畫成其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子（極度重要）。
3. 嚴禁右上角頁碼。

輸出檔名：L23202_p07a_sec2_5_random_forest_regressor_v2.png
```

---

**艾冉只負責生圖。** 產完 4 張就 stop。