# HANDOFF — L23202 Boss Review round 3 hotfix（共 13 張）

> 日期：2026-05-12
> 派工人：Heiter
> 來源：boss 在 sidebar 留 review + boss_approval 已過（14 個 notes）
> 圖檔規格：16:9 / 2048x1152
> Round 2 commit：7a7acd3（L23202 v2 全章鐵律過頁鉤子未洗 → 進 round 3）

## 13 張清單

| # | 檔名 | 動因 |
|---|---|---|
| 1 | `L23202_p04_sec2_2_lasso_ridge_v3.png` | v2 殘差平方和 label 仍標錯 → v3 拔掉所有 label 箭頭 |
| 2 | `L23202_p07b_sec2_5_gradient_boosting_regressor_v2.png` | 拔過頁鉤子（指 P07a/P07c + 本節三子方法位置） |
| 3 | `L23202_p07c_sec2_5_xgboost_lightgbm_regressor_v2.png` | 拔過頁鉤子（← Boosting 見 P07b；本節結束 → P08） |
| 4 | `L23202_p14a_sec3_6_bagging_vs_boosting_rf_v2.png` | 拔過頁鉤子（→ P14b / → P14c） |
| 5 | `L23202_p14b_sec3_6_gradient_boosting_classifier_v2.png` | 拔過頁鉤子（← P14a / → P14c） |
| 6 | `L23202_p14c_sec3_6_xgboost_lightgbm_classifier_v2.png` | 拔過頁鉤子（← P14b；本節結束 → P15） |
| 7 | `L23202_p16a_sec4_1_kmeans_v2.png` | 拔上下鉤子 |
| 8 | `L23202_p16b_sec4_1_hierarchical_v2.png` | 拔上下鉤子 |
| 9 | `L23202_p16c_sec4_1_dbscan_v2.png` | 拔上下鉤子 |
| 10 | `L23202_p17a_sec4_2_pca_v2.png` | 拔上下鉤子 + 「線性」紅字底線強調 |
| 11 | `L23202_p17b_sec4_2_tsne_v2.png` | 拔上下鉤子 + 「高維/非線性」紅字底線強調 |
| 12 | `L23202_p17c_sec4_2_umap_v2.png` | 拔上下鉤子 |
| 13 | `L23202_p19_sec4_4_anomaly_detection_v2.png` | 文字清晰 + 異常偵測核心觀念紅字底線 |

## 共通負向約束

```
1. 嚴禁畫成 L23201 / L23203 / L23302 等其他章節 — 本章是 L23202。
2. **嚴禁過頁鉤子**（重要！不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「P07a/P07b/P07c」「→ 序列方法見」「本節結束 — 下節 PXX」等任何指向其他頁面或子頁字樣）。
3. 嚴禁右上角頁碼。
```

---

## 張 1：L23202_p04_sec2_2_lasso_ridge_v3.png

### 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，不要加任何框框或底線。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%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。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。所有英文縮寫保留清楚字距。

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, Mean Squared Error）、均方根誤差（RMSE, Root Mean Squared Error）、平均絕對誤差（MAE, Mean Absolute Error）、決定係數 $R^2$（Coefficient of Determination）、調整後 $R^2$（Adjusted R-squared）、線性關係（Linearity）、誤差常態分佈（Normality of Errors）、變異數齊一性（Homoscedasticity）、誤差獨立性（Independence of Errors）、無多重共線性（No Multicollinearity）、高維資料、過度擬合、欠擬合、交叉驗證。

公式符號必須保留：Lasso 迴歸 $\mathrm{Loss} = \sum (y_i - \hat{y}_i)^2 + \lambda \sum |\beta_j|$；嶺迴歸 $\mathrm{Loss} = \sum (y_i - \hat{y}_i)^2 + \lambda \sum \beta_j^2$；其中 $\lambda$ 為正則化係數，$\sum |\beta_j|$ 為所有係數絕對值和（Lasso）、$\sum \beta_j^2$ 為所有係數平方和（Ridge）。

**TERMS_RULE 覆寫：** 不要改寫為其他英文術語，不要省略教材括號中的英文詞；Lasso 全名「Least Absolute Shrinkage and Selection Operator」必須完整出現一次；「特徵選擇（Feature Selection）」整組保留。

左上角標示「L23202」。主標題寫「2.（2）Lasso 迴歸與嶺迴歸」。版面切成左右雙欄對照式：左欄「Lasso 迴歸（L1 正則化）」、右欄「嶺迴歸 Ridge Regression（L2 正則化）」，每欄頂部寫公式手寫框（Lasso: $\sum |\beta_j|$；Ridge: $\sum \beta_j^2$），中段寫核心差異（Lasso 可將係數壓為零達到特徵選擇 Feature Selection — **「可壓為 0」紅字底線強調**；Ridge 不壓為零 — **「不會壓為 0」紅字底線強調對比**，適合多重共線性嚴重情境）。公式區純呈現 Lasso $\mathrm{Loss}=\sum(y_i-\hat{y}_i)^2+\lambda\sum|\beta_j|$ 與 Ridge $\mathrm{Loss}=\sum(y_i-\hat{y}_i)^2+\lambda\sum\beta_j^2$ 兩條完整手寫公式框；**不加任何箭頭、不加 label 註解**（如「殘差平方和」「正則化項」「絕對值和」等中文標籤）— 公式呈現純淨即可，AI 標籤位置不準確不如不標。版面下半切三個橫向小區塊整理共通項：①**模型評估指標**（與線性迴歸相同 5 項：MSE / RMSE / MAE / $R^2$ / 調整後 $R^2$）；②**模型假設**（與線性迴歸相同 5 項：線性關係/誤差常態/變異數齊一/誤差獨立/無多重共線性）；③**適用情境 vs 使用限制**（適用：多重共線性/高維資料/防過擬合/同時特徵選擇；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、共通限制：對非線性無解、λ 需交叉驗證）。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

【共通負向約束】
1. 嚴禁畫成 L23201 / L23203 / L23302 等其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「P07a/P07b/P07c」「→ 序列方法見」「本節結束 — 下節 PXX」等任何指向其他頁面或子頁字樣）。
3. 嚴禁右上角頁碼。

輸出檔名：L23202_p04_sec2_2_lasso_ridge_v3.png
```

---

## 張 2：L23202_p07b_sec2_5_gradient_boosting_regressor_v2.png

### 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，不要加任何框框或底線。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%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。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。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：梯度提升迴歸（Gradient Boosting Regressor）、序列式集成演算法、逐步修正誤差、預測殘差、弱學習器（Weak Learners）、早停（Early Stopping）、學習率、樹深、子樣本比例、精確度高於隨機森林、可自訂損失函數、訓練慢、易過擬合、超參數多。

**TERMS_RULE 覆寫：** 不要改寫為其他英文術語，不要省略教材括號中的英文詞；「梯度提升迴歸（Gradient Boosting Regressor）」「弱學習器（Weak Learners）」「早停（Early Stopping）」必須整組保留。

左上角標示「L23202」。主標題寫「2.（5）集成式迴歸」，副標寫「② 梯度提升迴歸（Gradient Boosting Regressor）」。**頁首導論橫幅**（細條）：梯度提升迴歸（Gradient Boosting Regressor）— 序列式集成、逐步修正誤差。**主視覺**（佔頁面中央）：多棵樹串聯（樹 1 → 樹 2 → 樹 3 → ... → 樹 N），每棵樹是弱學習器（Weak Learners），專修前一棵的「殘差」；綠色殘差箭頭往下遞減，呈現「序列式集成、逐步修正誤差」。版面下半切三格：①**模型運作流程**（a. 第一棵樹做初始預測 → b. 計算殘差，下一棵樹學習殘差 → c. 多棵弱學習器依學習率加權累加，可搭配 Early Stopping 早停）；②**特點**（精確度高於隨機森林、可自訂損失函數、Early Stopping 可早停）；③**缺點 / 使用限制**（訓練慢、易過擬合、超參數多 — 學習率 / 樹深 / 子樣本比例）。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

【共通負向約束】
1. 嚴禁畫成 L23201 / L23203 / L23302 等其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「P07a/P07b/P07c」「→ 序列方法見」「本節結束 — 下節 PXX」等任何指向其他頁面或子頁字樣）。
3. 嚴禁右上角頁碼。

輸出檔名：L23202_p07b_sec2_5_gradient_boosting_regressor_v2.png
```

---

## 張 3：L23202_p07c_sec2_5_xgboost_lightgbm_regressor_v2.png

### 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，不要加任何框框或底線。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%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。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。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：高效梯度提升方法、梯度提升樹（Gradient Boosting Decision Trees, GBDT）、XGBoost（eXtreme Gradient Boosting）、LightGBM（Light Gradient Boosting Machine）、二階導數資訊（Hessian）、層級式生長（Level-wise）、葉子式生長（Leaf-wise）、最大增益（max gain）、直方圖算法（Histogram-based）、L1 正則化、L2 正則化、特徵重要性分析、稀疏資料、缺值處理、並行運算、Block 結構、學習率、樹深、子樣本比例、超參數多、解釋力有限、輸出不平滑、分段函數、Leaf-wise 易過擬合。

**TERMS_RULE 覆寫：** 不要改寫為其他英文術語，不要省略教材括號中的英文詞；「XGBoost（eXtreme Gradient Boosting）」「LightGBM（Light Gradient Boosting Machine）」「梯度提升樹（Gradient Boosting Decision Trees, GBDT）」「Hessian」「Level-wise」「Leaf-wise」「Histogram-based」必須整組保留。

左上角標示「L23202」。主標題寫「2.（5）集成式迴歸」，副標寫「③ 高效梯度提升 — XGBoost / LightGBM」。**頁首導論橫幅**（細條）：高效梯度提升方法是對傳統梯度提升樹（GBDT）的演算法層面及工程層面優化。**主視覺**：上方為「Level-wise vs Leaf-wise 樹生長對照」雙樹並列圖 — 左：Level-wise（同一深度同時分裂所有葉子節點）標 XGBoost；右：Leaf-wise（優先分裂能帶來最大增益 max gain 的葉子節點）標 LightGBM。版面下半切成左右雙欄方法卡 + 底部共通條：**左欄 XGBoost（eXtreme Gradient Boosting）**：採 Level-wise 生長、使用二階導數資訊（Hessian）加速最佳分裂點搜尋、Block 結構加速計算、L1+L2 正則化抑制過擬合、自動學習缺失值走向。**右欄 LightGBM（Light Gradient Boosting Machine）**：採 Leaf-wise 生長、直方圖算法（Histogram-based）降低計算複雜度、優先分裂 max gain 葉子節點、內建缺值處理。**底部共通條 — 特點**：高運算效率、支援稀疏資料與缺值、可進行並行運算（多核心 CPU / GPU）、正則化控制、良好的特徵重要性分析。**底部共通條 — 缺點**：參數複雜多元（learning_rate / max_depth / subsample / colsample_bytree）、解釋力有限（仍為黑箱）、記憶體需求仍高、Leaf-wise 在小型資料集易過擬合（需配合 max_depth 限制）、輸出不平滑（預測結果為分段函數）。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

【共通負向約束】
1. 嚴禁畫成 L23201 / L23203 / L23302 等其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「P07a/P07b/P07c」「→ 序列方法見」「本節結束 — 下節 PXX」等任何指向其他頁面或子頁字樣）。
3. 嚴禁右上角頁碼。

輸出檔名：L23202_p07c_sec2_5_xgboost_lightgbm_regressor_v2.png
```

---

## 張 4：L23202_p14a_sec3_6_bagging_vs_boosting_rf_v2.png

### 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，不要加任何框框或底線。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%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。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。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：集成式分類（Ensemble Classification）、整合多個模型的預測結果、群體智慧通常勝過單一模型、類別標籤、類別機率、投票機制（Voting）、機率平均、Bagging（Bootstrap Aggregating）、隨機抽樣、多個獨立模型、多數決（Voting）、降低模型的變異性（Variance）、Random Forest、Boosting、逐步建立、針對前一個模型的錯誤進行修正、加權整合、降低偏差（Bias）、Gradient Boosting、XGBoost、LightGBM、機率輸出、Softmax、多類別處理、一對多策略（One-vs-Rest, OvR）、一對一策略（One-vs-One, OvO）、隨機森林分類器（Random Forest Classifier）、票數最多的類別、抗過擬合能力強、特徵的重要性、訓練可平行化、黑箱模型、不平衡資料、平滑的機率估計、Accuracy（準確率）、Precision（精確率）、Recall（召回率）、F1-score、ROC-AUC。

**TERMS_RULE 覆寫：** 不要改寫為其他英文術語，不要省略教材括號中的英文詞；「Bagging（Bootstrap Aggregating）」「隨機森林分類器（Random Forest Classifier）」「投票機制（Voting）」「一對多策略（One-vs-Rest, OvR）」「一對一策略（One-vs-One, OvO）」「Softmax」必須整組保留。

左上角標示「L23202」。主標題寫「3.（6）集成式分類」，副標寫「Bagging vs Boosting + 隨機森林分類器」。版面切成上下兩大區。**上半「Bagging vs Boosting 觀念對照」**：左右雙欄對照 — 左欄 **Bagging（Bootstrap Aggregating）**：隨機抽樣建多個獨立模型 → 最終多數決（Voting），重點在降低變異性（Variance），代表 Random Forest；右欄 **Boosting**：序列建模、每個新模型修正前一個的錯誤、加權整合，重點在降低偏差（Bias），代表 Gradient Boosting / XGBoost / LightGBM。下方加分類專屬決策機制橫條：投票機制（Voting）/ 機率輸出（Softmax）/ 多類別處理（OvR / OvO / Softmax）。**下半「隨機森林分類器（Random Forest Classifier）」**：中央視覺一片森林（多棵樹）→ 票箱 → 票數最多的類別 ★；切四格 2×2：①**模型公式**（步驟 a-b-c：a. 從訓練資料隨機抽多份子資料集；b. 每份建一棵決策樹（同時隨機選特徵）；c. 多數投票決最終分類）；②**模型評估指標**（5 項：Accuracy / Precision / Recall / F1-score / ROC-AUC）；③**特點**（抗過擬合能力強、可提供特徵的重要性、訓練可平行化）；④**使用限制**（黑箱模型、不平衡資料下表現偏差、無法提供平滑的機率估計）。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

【共通負向約束】
1. 嚴禁畫成 L23201 / L23203 / L23302 等其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「P07a/P07b/P07c」「→ 序列方法見」「本節結束 — 下節 PXX」等任何指向其他頁面或子頁字樣）。
3. 嚴禁右上角頁碼。

輸出檔名：L23202_p14a_sec3_6_bagging_vs_boosting_rf_v2.png
```

---

## 張 5：L23202_p14b_sec3_6_gradient_boosting_classifier_v2.png

### 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，不要加任何框框或底線。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%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。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。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：梯度提升分類器（Gradient Boosting Classifier）、集成式學習、Boosting、逐步建立多棵決策樹、針對前一棵樹的分類錯誤進行修正、損失函數梯度、加權整合、Logloss（Logistic Loss、二元分類）、Softmax 多類別概率輸出、二元分類、多元分類、Early Stopping、學習率、樹的深度、葉節點數量、超參數調整、訓練成本高、容易過擬合、解釋度差、捕捉非線性關係、Accuracy（準確率）、Precision（精確率）、Recall（召回率）、F1-score、ROC-AUC。

**TERMS_RULE 覆寫：** 不要改寫為其他英文術語，不要省略教材括號中的英文詞；「梯度提升分類器（Gradient Boosting Classifier）」「Logloss」「Softmax」「Early Stopping」必須整組保留。

左上角標示「L23202」。主標題寫「3.（6）集成式分類」，副標寫「梯度提升分類器（Gradient Boosting Classifier）」。中央以「序列建樹 + 殘差修正」為主視覺：橫向排列 Tree1 → Tree2 → Tree3 → ... → Tree N，每棵樹後標「針對前一棵樹的分類錯誤進行修正」「以損失函數梯度為依據」；二元分類用 Logloss、多元分類用 Softmax 機率輸出。版面切四格 2×2：①**模型公式**（步驟 a-b-c：a. 起始模型給每筆樣本一個初始預測；b. 對每一輪建新樹專修前棵分類錯誤（依損失函數梯度）；c. 加權整合所有樹，輸出最終類別 + 機率（Logloss 用於二元 / Softmax 用於多元））；②**模型評估指標**（5 項：Accuracy / Precision / Recall / F1-score / ROC-AUC）；③**特點**（精確度高、能捕捉非線性關係、支援多類別、可用 Early Stopping）；④**使用限制**（訓練成本高、容易過擬合、解釋度差、超參數多 — 學習率 / 樹深 / 葉節點數量 — 需細調）。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

【共通負向約束】
1. 嚴禁畫成 L23201 / L23203 / L23302 等其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「P07a/P07b/P07c」「→ 序列方法見」「本節結束 — 下節 PXX」等任何指向其他頁面或子頁字樣）。
3. 嚴禁右上角頁碼。

輸出檔名：L23202_p14b_sec3_6_gradient_boosting_classifier_v2.png
```

---

## 張 6：L23202_p14c_sec3_6_xgboost_lightgbm_classifier_v2.png

### 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，不要加任何框框或底線。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%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。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。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：XGBoost（eXtreme Gradient Boosting）、LightGBM（Light Gradient Boosting Machine）、梯度提升決策樹（Gradient Boosting Decision Tree, GBDT）、二階導數資訊（Hessian）、層級式生長（Level-wise）、Leaf-wise 分裂策略、Histogram-based、Softmax 多類別概率輸出、Kaggle 常勝軍、二元分類、多元分類、訓練速度快、大規模高維資料、可平行化計算、特徵重要性、過擬合風險、超參數調整、Early Stopping、不平衡資料、Logloss、Accuracy（準確率）、Precision（精確率）、Recall（召回率）、F1-score、ROC-AUC。

**TERMS_RULE 覆寫：** 不要改寫為其他英文術語，不要省略教材括號中的英文詞；「XGBoost（eXtreme Gradient Boosting）」「LightGBM（Light Gradient Boosting Machine）」「Hessian」「Level-wise」「Leaf-wise」「Histogram-based」「Softmax」「Logloss」「Early Stopping」必須整組保留。

左上角標示「L23202」。主標題寫「3.（6）集成式分類」，副標寫「XGBoost / LightGBM」。版面切成上下兩大區。**上半雙欄方法卡對照**：左欄 **XGBoost（eXtreme Gradient Boosting）**：核心特點 — 用二階導數資訊（Hessian）加速、層級式生長（Level-wise）、可平行化計算、提供特徵重要性、Kaggle 常勝軍；分類輸出：二元分類用 Logloss、多元分類用 Softmax；右欄 **LightGBM（Light Gradient Boosting Machine）**：核心特點 — Leaf-wise 分裂策略、Histogram-based 加速、訓練速度快；分類輸出：同樣支援 Softmax 多類別概率輸出。**下半切四格 2×2**：①**模型公式**（共通步驟：a. 起始預測；b. 序列建樹專修前棵分類錯誤；c. XGBoost 用 Hessian + Level-wise / LightGBM 用 Leaf-wise + Histogram；d. 加權整合輸出 Logloss / Softmax 機率）；②**模型評估指標**（5 項：Accuracy / Precision / Recall / F1-score / ROC-AUC）；③**特點**（訓練速度快、適合大規模高維資料、可平行化計算、提供特徵重要性、可結合 Early Stopping）；④**使用限制**（超參數多需細調、解釋度差（黑箱）、過擬合風險、Leaf-wise 在小數據集易過擬合（LightGBM 特有））。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

【共通負向約束】
1. 嚴禁畫成 L23201 / L23203 / L23302 等其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「P07a/P07b/P07c」「→ 序列方法見」「本節結束 — 下節 PXX」等任何指向其他頁面或子頁字樣）。
3. 嚴禁右上角頁碼。

輸出檔名：L23202_p14c_sec3_6_xgboost_lightgbm_classifier_v2.png
```

---

## 張 7：L23202_p16a_sec4_1_kmeans_v2.png

### 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，不要加任何框框或底線。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%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。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。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：分群分析（Clustering）、依據其相似性自動分組、同一群組內彼此相似、不同群組彼此相異、自然的群體結構、k-means 分群、迭代式的分群演算法、N 個資料點、預設的 K 個群集、最近的中心點（質心 Centroid）、初始化、隨機選取 K 個資料點作為初始質心、分配、更新、重新計算每個群集內所有資料點的平均值、重複、預先指定 K 值、對初始質心的選擇敏感、對離群值敏感、球形或凸形群集。

**TERMS_RULE 覆寫：** 不要改寫為其他英文術語，不要省略教材括號中的英文詞；「k-means」「質心（Centroid）」必須整組保留。

左上角標示「L23202」。主標題寫「4.（1）分群分析」，副標寫「k-means」。**頁首導論橫幅**（細條）：分群分析（Clustering）目標 — 同一群組內彼此相似、不同群組彼此相異，發現自然的群體結構。中央以「2D 散點 + K 個質心 ★ + 球形群集」為主視覺：標 K=3 三色群集，每群中心一顆 ★ 質心，箭頭標「分配 → 更新」迭代。版面下半切三格：①**模型運作流程**（步驟 a-b-c-d：a. 初始化 — 隨機選取 K 個資料點作為初始質心（Centroid）；b. 分配 — 將每筆資料分配到離其最近的質心所在的群集；c. 更新 — 重新計算每個群集內所有資料點的平均值作為新質心；d. 重複 b-c 直到質心不再顯著移動）；②**優點**（簡單、快速、易於理解和實現；處理大量數據時效率高）；③**缺點**（需預先指定 K 值、對初始質心的選擇敏感、對離群值敏感、只能形成球形或凸形群集）。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

【共通負向約束】
1. 嚴禁畫成 L23201 / L23203 / L23302 等其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「P07a/P07b/P07c」「→ 序列方法見」「本節結束 — 下節 PXX」等任何指向其他頁面或子頁字樣）。
3. 嚴禁右上角頁碼。

輸出檔名：L23202_p16a_sec4_1_kmeans_v2.png
```

---

## 張 8：L23202_p16b_sec4_1_hierarchical_v2.png

### 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，不要加任何框框或底線。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%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。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。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：階層式分群（Hierarchical Clustering）、巢狀的群集序列、合併、分裂、樹狀結構、樹狀圖（Dendrogram）、凝聚式（Agglomerative Hierarchical Clustering）、由下而上（bottom-up）、分裂式（Divisive Hierarchical Clustering）、由上而下（top-down）、最相似的兩個群集、無需預先指定 K 值、不同層次的分群結構、計算複雜度高、效率低下、對離群值敏感、合併或分裂無法撤銷、次優解。

**TERMS_RULE 覆寫：** 不要改寫為其他英文術語，不要省略教材括號中的英文詞；「階層式分群（Hierarchical Clustering）」「凝聚式（Agglomerative Hierarchical Clustering）」「分裂式（Divisive Hierarchical Clustering）」「樹狀圖（Dendrogram）」必須整組保留。

左上角標示「L23202」。主標題寫「4.（1）分群分析」，副標寫「階層式分群（Hierarchical Clustering）」。中央以一張**樹狀圖（Dendrogram）**為主視覺：底部多個葉節點（個別資料點）→ 逐步合併 → 頂部單一大群集；旁邊雙箭頭標「凝聚式 ↑ bottom-up」「分裂式 ↓ top-down」。版面下半切三格：①**模型運作原理**（雙模式對照：**凝聚式（Agglomerative Hierarchical Clustering）**：由下而上 — 每個資料點視為獨立群集 → 每步合併最相似的兩個群集 → 直到所有資料點匯聚成一個單一大群集；**分裂式（Divisive Hierarchical Clustering）**：由上而下 — 從包含所有資料點的單一大群集開始 → 每步將群集分解為更小的子群集 → 直到每個資料點自成一群）；②**優點**（無需預先指定 K 值、樹狀圖提供豐富視覺化有助於理解不同層次的分群結構、能發現不同粒度或層次的群集）；③**缺點**（計算複雜度高、處理大量數據時效率低下、對離群值敏感、合併或分裂無法撤銷可能導致次優解）。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

【共通負向約束】
1. 嚴禁畫成 L23201 / L23203 / L23302 等其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「P07a/P07b/P07c」「→ 序列方法見」「本節結束 — 下節 PXX」等任何指向其他頁面或子頁字樣）。
3. 嚴禁右上角頁碼。

輸出檔名：L23202_p16b_sec4_1_hierarchical_v2.png
```

---

## 張 9：L23202_p16c_sec4_1_dbscan_v2.png

### 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，不要加任何框框或底線。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%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。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。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：DBSCAN（Density-Based Spatial Clustering of Applications with Noise）、基於密度的分群演算法、辨識任意形狀的群集、噪聲點（離群值）、Eps（epsilon）、鄰域半徑、MinPts（Minimum Points）、最小點數、核心點、密度可達、邊界點、無需預先指定群集數量、密度不均勻、距離度量、高維數據。

**TERMS_RULE 覆寫：** 不要改寫為其他英文術語，不要省略教材括號中的英文詞；「DBSCAN（Density-Based Spatial Clustering of Applications with Noise）」「Eps（epsilon）」「MinPts（Minimum Points）」必須整組保留。

左上角標示「L23202」。主標題寫「4.（1）分群分析」，副標寫「DBSCAN（Density-Based Spatial Clustering of Applications with Noise）」。中央以「不規則形群集 + 標出核心點 / 邊界點 / 噪聲點」為主視覺：散點圖中圈出兩個任意形狀群集，核心點以實心圓、邊界點以空心圓、噪聲點以 ✕ 標示。版面下半切三格：①**模型運作原理**（步驟 a-b-c：a. 參數定義 — Eps（epsilon）鄰域半徑、MinPts（Minimum Points）最小點數；b. 核心點辨識 — 從任意一個未被訪問的點開始，檢查其 Eps 鄰域內的點數量；如果鄰域內點數 ≥ MinPts，則該點為核心點，從核心點出發遞歸地將「密度可達」的點（其他核心點與邊界點）加入群集；如果 < MinPts 則暫時標為噪聲點或邊界點；c. 重複至所有資料點都被訪問並歸類）；②**優點**（無需預先指定群集數量、能發現任意形狀的群集不受凸性限制、能有效辨識並標記噪聲點）；③**缺點**（對 Eps 和 MinPts 的選擇高度敏感、處理密度不均勻的群集效果不佳、高維數據定義合適的密度與距離度量困難）。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

【共通負向約束】
1. 嚴禁畫成 L23201 / L23203 / L23302 等其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「P07a/P07b/P07c」「→ 序列方法見」「本節結束 — 下節 PXX」等任何指向其他頁面或子頁字樣）。
3. 嚴禁右上角頁碼。

輸出檔名：L23202_p16c_sec4_1_dbscan_v2.png
```

---

## 張 10：L23202_p17a_sec4_2_pca_v2.png

### 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，不要加任何框框或底線。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%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。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。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：降維技術（Dimensionality Reduction）、高維度數據、低維度表示、保留原始數據中的重要資訊和結構、維度詛咒、稀疏、主成分分析（Principal Component Analysis, PCA）、線性降維方法、正交變換、不相關的座標軸、主成分、原始特徵的線性組合、最大的變異量方向、數據標準化、協方差矩陣計算、特徵值分解、特徵值、特徵向量、主成分選擇、數據投影、彼此正交、線性關係、缺乏較直觀可解釋性、對離群值敏感。

**TERMS_RULE 覆寫：** 不要改寫為其他英文術語，不要省略教材括號中的英文詞；「主成分分析（Principal Component Analysis, PCA）」必須整組保留；PCA 不可寫為「主成份分析」，要寫「主成分分析」。

左上角標示「L23202」。主標題寫「4.（2）降維技術」，副標寫「主成分分析（PCA）｜線性降維」。**頁首導論橫幅**（細條）：降維技術（Dimensionality Reduction）目的 — 將高維度數據轉換為低維度表示、保留原始數據中的重要資訊和結構、緩解維度詛咒。中央以「3D 散點 → 投影到主成分平面 PC1×PC2」為主視覺：原本三維雜亂散點，箭頭標 PC1（最大變異量方向）與 PC2（與 PC1 正交），下方為投影後的 2D 散點。版面下半切三格：①**模型運作原理**（步驟 a-b-c-d-e：a. 數據標準化；b. 協方差矩陣計算；c. 特徵值分解 → 特徵值與特徵向量；d. 主成分選擇 — 取最大特徵值的前 K 個特徵向量；e. 數據投影至新的低維空間）；②**優點**（數學基礎堅實、概念相對易於理解和實作、能有效降低資料維度並去除特徵間的冗餘資訊、轉換後的特徵彼此正交）；③**缺點**（只能捕捉線性關係，對於非線性結構的數據效果不佳、主成分是原始特徵的線性組合，缺乏較直觀可解釋性、對離群值敏感）。**核心觀念紅字底線強調**（v2 補強）：① 「線性降維」② 「正交變換」③ 「只能捕捉線性關係」三組關鍵字一律用紅字 + 粗體底線突出，與後續 t-SNE/UMAP 非線性方法形成對比鋪墊。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

【共通負向約束】
1. 嚴禁畫成 L23201 / L23203 / L23302 等其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「P07a/P07b/P07c」「→ 序列方法見」「本節結束 — 下節 PXX」等任何指向其他頁面或子頁字樣）。
3. 嚴禁右上角頁碼。

輸出檔名：L23202_p17a_sec4_2_pca_v2.png
```

---

## 張 11：L23202_p17b_sec4_2_tsne_v2.png

### 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，不要加任何框框或底線。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%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。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。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：t-SNE（t-distributed Stochastic Neighbor Embedding）、非線性降維方法、高維數據的視覺化、相似點映射到低維、群集結構、機率相似性分佈、高斯分佈、t-分佈、擁擠問題、Kullback-Leibler（KL）散度、梯度下降、保留局部結構、計算成本高昂、隨機初始化、困惑度（Perplexity）、複雜非線性關係、不適合作為下游機器學習任務的預處理。

**TERMS_RULE 覆寫：** 不要改寫為其他英文術語，不要省略教材括號中的英文詞；「t-SNE（t-distributed Stochastic Neighbor Embedding）」「Kullback-Leibler（KL）散度」「Perplexity」「困惑度」必須整組保留。

左上角標示「L23202」。主標題寫「4.（2）降維技術」，副標寫「t-SNE（t-distributed Stochastic Neighbor Embedding）｜非線性降維」。中央以「高維散亂 → 2D 清晰群聚」為主視覺：左側標「高維空間（高斯分佈相似度）」、右側標「低維空間（t-分佈相似度）」，中間箭頭標「最小化 KL 散度 + 梯度下降」。版面下半切三格：①**模型運作原理**（步驟 a-b-c：a. 高維相似度計算 — 在高維空間中以高斯分佈計算資料點之間的機率相似性分佈；b. 低維相似度計算 — 在低維空間（2D 或 3D）以 t-分佈計算相似性機率分佈，以更好地解決「擁擠問題」；c. 優化映射 — 用 Kullback-Leibler（KL）散度衡量高維和低維分佈差異，透過梯度下降不斷調整低維點座標以最小化 KL 散度）；②**優點**（能很好地保留局部結構、適合高維數據的視覺化、可呈現傳統線性方法難以發現的複雜非線性關係和群集結構）；③**缺點**（計算成本高昂，不適合處理非常大的數據集（通常限制在數萬個樣本）、結果可能受隨機初始化影響、Perplexity（困惑度）對結果有較大影響需細緻調整、主要用於視覺化，不適合作為下游機器學習任務的預處理）。**核心觀念紅字底線強調**（v2 補強）：① 「高維數據視覺化」② 「可呈現傳統線性方法難以發現的複雜非線性關係和群集結構」兩句一律用紅字 + 粗體底線突出 — t-SNE vs PCA 最大差異的賣點。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

【共通負向約束】
1. 嚴禁畫成 L23201 / L23203 / L23302 等其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「P07a/P07b/P07c」「→ 序列方法見」「本節結束 — 下節 PXX」等任何指向其他頁面或子頁字樣）。
3. 嚴禁右上角頁碼。

輸出檔名：L23202_p17b_sec4_2_tsne_v2.png
```

---

## 張 12：L23202_p17c_sec4_2_umap_v2.png

### 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，不要加任何框框或底線。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%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。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。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：UMAP（Uniform Manifold Approximation and Projection）、高性能非線性降維方法、低維嵌入、保留局部和全局結構、模糊拓撲結構、鄰域、連接強度、最小化交叉熵、增量學習、比 t-SNE 顯著更快、處理更大的數據集、參數調整更直觀、理論基礎更為複雜、理解門檻較高、結果仍可能受某些參數影響。

**TERMS_RULE 覆寫：** 不要改寫為其他英文術語，不要省略教材括號中的英文詞；「UMAP（Uniform Manifold Approximation and Projection）」「模糊拓撲結構」必須整組保留。

左上角標示「L23202」。主標題寫「4.（2）降維技術」，副標寫「UMAP（Uniform Manifold Approximation and Projection）｜非線性降維」。中央以「高維 → 2D 嵌入（保留局部 + 全局結構）」為主視覺：標出「模糊拓撲結構」鄰域與連接強度示意圖，箭頭標「最小化交叉熵」。版面下半切三格：①**模型運作原理**（步驟 a-b-c：a. 構建高維模糊拓撲 — 在高維空間中構建一個表示資料點之間局部連通性的「模糊拓撲結構」（透過定義每個點的鄰域和它們之間的連接強度）；b. 構建低維模糊拓撲 — 在低維目標空間（2D 或 3D）中建立類似的模糊拓撲結構；c. 最小化交叉熵 — 透過優化算法最小化高維和低維拓撲結構之間的交叉熵）；②**優點**（通常比 t-SNE 運行顯著更快、能夠處理更大的數據集、在保留局部和全局結構方面表現優異、參數調整比 t-SNE 更直觀、支持增量學習）；③**缺點**（相對較新，理論基礎更為複雜、理解門檻較高、產出結果仍可能受某些參數影響）。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

【共通負向約束】
1. 嚴禁畫成 L23201 / L23203 / L23302 等其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「P07a/P07b/P07c」「→ 序列方法見」「本節結束 — 下節 PXX」等任何指向其他頁面或子頁字樣）。
3. 嚴禁右上角頁碼。

輸出檔名：L23202_p17c_sec4_2_umap_v2.png
```

---

## 張 13：L23202_p19_sec4_4_anomaly_detection_v2.png

### 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，不要加任何框框或底線。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%，像印在紙上並保留安全邊距。整體要活潑、像手寫講義筆記，不要卡片式資訊圖。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。所有英文縮寫保留清楚字距。

教材原詞必須清楚出現：異常偵測（Anomaly Detection）、離群值偵測（Outlier Detection）、與大多數資料行為顯著不同的模式或資料點、錯誤、欺詐、設備故障、網路入侵、新穎的、未曾見過的事件、Isolation Forest（孤立森林）、基於樹的非參數異常偵測演算法、異常點通常是少數的、與正常點在特徵空間中相距較遠、隨機劃分數據時更容易被快速「孤立」、構建孤立樹（iTree）、隨機選擇一個特徵、隨機選擇一個分割點、遞歸劃分、異常分數計算、較短的路徑長度、平均路徑長度、標準化的異常分數、不需要任何距離度量、不平衡數據集、隨機性影響、One-Class SVM（One-Class Support Vector Machine）、單類別分類、邊界學習、只學習一個類別（通常是正常數據）、決策邊界、核函數（如 RBF 核）、高維特徵空間、超平面、原點、邊界之外、異常、複雜數據分佈、異常率參數、計算成本相對較高、訓練數據中混入異常值、邊界不夠精確。

**TERMS_RULE 覆寫：** 不要改寫為其他英文術語，不要省略教材括號中的英文詞；「Isolation Forest（孤立森林）」「孤立樹（iTree）」「One-Class SVM（One-Class Support Vector Machine）」「異常偵測（Anomaly Detection）」「離群值偵測（Outlier Detection）」必須整組保留。

左上角標示「L23202」。主標題寫「4.（4）異常偵測」，副標寫「找出資料中的少數派 — 詐欺、入侵、故障」。版面切成上下兩大區。上方一條導論橫幅：異常偵測（Anomaly Detection）/ 離群值偵測（Outlier Detection）目標 — 辨識與大多數資料顯著不同的點；應用：錯誤、欺詐、設備故障、網路入侵、新穎事件。下方主體切左右雙欄方法對照：①**Isolation Forest（孤立森林）**[隔離法] — 視覺：iTree 樹結構，異常點路徑短、正常點路徑長；核心思想：異常點少且離群，隨機切分時更快被孤立；流程：構建多棵孤立樹 iTree（隨機選特徵與分割點）→ 遞歸劃分 → 計算異常分數（基於平均路徑長度，越短越可能是異常）→ 集成多棵樹；優點：高維大規模高效、不需距離度量、適不平衡資料；缺點：對接近正常群集的異常難偵測、結果受隨機性影響。②**One-Class SVM（One-Class Support Vector Machine）**[邊界學習] — 視覺：高維空間中圍繞正常數據的決策邊界，邊界外即異常；流程：核函數（如 RBF 核）映射高維空間 → 找一個將正常數據與原點最大分離的超平面 → 邊界外即異常；優點：能處理非線性邊界、高維表現好、只需正常數據訓練（適合異常難收集場景）；缺點：對核函數參數與異常率參數敏感、計算成本高、訓練資料混入異常會使邊界不精確。**文字清晰度鎖死**：所有字體放大、避免擠擁、避免糊掉（v1 文字糊掉問題），主標題粗體大字、副標可讀；**核心觀念紅字底線強調**：① 「Isolation Forest 異常 = 路徑長度短」（少數分割就被孤立）② 「One-Class SVM 異常 = 邊界之外」③ 「異常意義 = 錯誤/欺詐/設備故障/網路入侵」— 三組關鍵字一律紅字 + 粗體底線。

版面要有明確主視覺、2 到 4 個重點區塊、少量關鍵詞與箭頭關係，保留舒適留白。避免密密麻麻小字；公式若出現，請以手寫公式框呈現並保持符號正確。

【共通負向約束】
1. 嚴禁畫成 L23201 / L23203 / L23302 等其他章節 — 本章是 L23202。
2. 嚴禁過頁鉤子（不可寫「見 PXX」「← 上一頁」「→ 下一頁」「本節三子方法位置」「P07a/P07b/P07c」「→ 序列方法見」「本節結束 — 下節 PXX」等任何指向其他頁面或子頁字樣）。
3. 嚴禁右上角頁碼。

輸出檔名：L23202_p19_sec4_4_anomaly_detection_v2.png
```

---

**艾冉只負責生圖。** 產完 13 張就 stop。