傳統模型（判別式）只回答「誰會流失」；生成式模型（VAE/GAN）更進一步——它學會資料的分布，能造出虛擬顧客，讓你在不花半毛錢的情況下先沙盤推演：「如果打 8 折，能救回多少人？」
紅點＝已流失、綠點＝已留存、中間虛線＝決策邊界。先切到「生成式模型」，按「產生虛擬顧客」，再拉「行銷策略」滑桿，看橘色虛擬顧客被推過決策線、變綠（挽留成功）。
| 比較 | 判別式 Discriminative | 生成式 Generative |
|---|---|---|
| 學什麼 | 決策邊界 P(y|x) | 資料分布 P(x)、P(x,y) |
| 能做 | 分類/預測「誰會流失」 | 造新樣本、模擬 what-if |
| 代表 | 隨機森林、邏輯斯回歸、SVM | VAE、GAN、Diffusion |
| 能沙盤推演？ | ❌ 不會造資料 | ✅ 可情境模擬 |
先想再點開。
判別式學決策邊界、做分類/預測；生成式學資料分布、能造新樣本做模擬。
流失是少數類，盲猜多數就能拿高準確率；要看召回率、F1、PR-AUC。
補少數類、保護隱私、情境壓力測試；但要注意品質與偏誤。
都是生成式模型；VAE 靠潛在空間編解碼、GAN 靠生成器對抗鑑別器。
類別不平衡與資料漂移，以及把預測轉成有效行動。
生成式模型可用於模擬與資料增補,iPAS 生成式 AI 應用考點(初級科目二)。重點:用學到的資料分布生成新樣本,可補足稀少類別(如流失客戶)、做情境模擬或產生保護隱私的合成資料。易混點:合成資料能緩解資料不足與隱私問題,但品質與偏誤要把關(學壞分布會誤導);生成(造資料)與鑑別(做判斷)用途不同。情境:不平衡資料增補、隱私合成、商業情境模擬。
想練情境題與詳解 → AI 學習與考證地圖
用生成或模擬方法產生客戶流失情境的資料與預測，幫助理解流失預測，以及如何用模型支援留客決策。
用歷史行為預測哪些客戶可能流失(取消、停用)，屬分類問題；讓企業及早介入挽留高風險客戶。
邏輯斯回歸、樹與集成(隨機森林、XGBoost)等；因流失通常是少數類，重視 Recall、F1、PR-AUC，而非只看 Accuracy。
真實流失樣本少或敏感時，可用模擬或合成(如 SMOTE、生成模型)補充少數類，做情境推演與壓力測試。
類別不平衡、資料漂移(行為會變)、把預測轉成行動(該對誰、怎麼挽留)，以及衡量介入的實際成效。