點擊樹狀圖中的節點，查看該指標的使用時機與白話原理解析。
分群演算法（如 K-Means）就像是讓電腦自己去分類。但是分完之後，我們怎麼知道它分得好不好？
這張地圖將評估指標分為兩大類：
請點擊左側節點開始探索！
分群是非監督、沒有標籤,評估不能用準確率,iPAS 中級科目三考點。重點:用內部指標——輪廓係數、DBI(越小越好)、CH 指數(越大越好),看群內緊密、群間分離;有真實標籤才用 ARI、NMI 等外部指標。易混點:群編號任意、不能像分類比對;不同分群法配適合的指標(密度式宜用 DBCV)。情境:挑分群品質、決定群數。
想練情境題與詳解 → AI 學習與考證地圖
用一連串是非判斷把資料逐層分割，每個葉節點給出預測；像流程圖一樣易讀、可解釋(白盒模型)。
選能讓子節點最純的特徵與切點；分類常用資訊增益(熵)或吉尼不純度，迴歸用變異數下降。
樹長太深會把訓練資料的雜訊都記住；可用剪枝、限制最大深度、設葉節點最小樣本數，或改用隨機森林來控制。
單樹易過擬合、不穩；隨機森林結合多棵樹(裝袋加隨機特徵)投票，更準更穩、但較難解讀。
易解釋、不需特徵標準化、能處理數值與類別特徵、可捕捉非線性與交互作用；是常用的基礎模型。