# HANDOFF — L23103 Boss Review hotfix（共 1 張）

> 日期：2026-05-12
> 派工人：Heiter
> 來源：欣梅爾於 slides-pdf.html 留言 + boss_review.json
> 圖檔規格：16:9 / 2048x1152 / 繁體中文清楚可讀

## 鎖死規則

1. **絕對不要刪除或覆蓋既有 PNG**（v1 保留作內部追溯）
2. 檔名加 `_v2` 後綴
3. 三個共通負向約束：嚴禁畫成 L23101 / L23102 / L23302 章節 / 嚴禁過頁鉤子 / 嚴禁右上角頁碼

## 1 張清單

| # | 檔名 | 動因 |
|---|---|---|
| 1 | `L23103_p11_sec3_3_loss_learning_impact_v2.png` | v1 中 MSE 與 MAE 兩格擬合線**方向相反**（左格左下→右上、右格右下→左上），沒道理。同份資料兩種損失的擬合線方向不可能完全相反，差別應該在「受極端值影響程度」。 |

## 共用變數

```
L_CODE = "L23103"
STYLE_BASE = "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。"
TERMS_RULE = "不要改寫為其他英文術語，不要省略教材括號中的英文詞；可補充說明，但教材主詞需保留。"
LAYOUT_RULE = "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（每張開頭附）

```
【共通負向約束】
1. 嚴禁畫成 L23101「機率/統計之機器學習基礎應用」、L23102「線性代數之機器學習基礎應用」、L23302「模型選擇與架構設計」等其他章節 — 本章是 L23103，左上 L-code 寫「L23103」。
2. 嚴禁出現任何過頁鉤子文字。
3. 嚴禁出現右上角頁碼。
```

---

## 張 1：L23103_p11_sec3_3_loss_learning_impact_v2.png

**Boss 留言**：「P11 MSE 和 MAE 圖似乎長得一樣，繪製出更明顯差異」

**核心修正**：兩格用**完全相同的散點分布 + 相同極端值位置**，差別只在擬合線受極端值影響程度。MSE 線被極端值往上拉偏，MAE 線穩定穿過主群忽略極端值。

### 完整 Prompt（一字不差送 codex）

```
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：損失函數、學習軌跡、結果品質、迴歸任務、MSE、壓低大誤差、極端值、MAE、所有樣本誤差均等權重、穩健、學習速度、不當選擇損失函數、分類問題、迴歸損失、訓練無效、無法收斂、效能評估、導航器、複雜問題空間。

公式符號保留：L_MSE = (1/n) Σ(ŷᵢ - yᵢ)²；L_MAE = (1/n) Σ|ŷᵢ - yᵢ|。

不要改寫為其他英文術語，不要省略教材括號中的英文詞；可補充說明，但教材主詞需保留。

【🚨 散點視覺鎖死規則 — v2 必修】
左右兩格 MSE / MAE 對比區必須遵守以下三個強約束：

(a) **使用完全相同的散點分布**：兩格資料點數量、位置、顏色完全一致 — 約 8-10 個主群點集中在某條斜線附近（例如左下到右上方向），位置一致。

(b) **使用完全相同的極端值位置**：兩格都有 1 個明顯遠離主群的極端值點（例如位於右上角偏離主群），位置一致。

(c) **擬合線差異**：
  - MSE 擬合線：方向受極端值拉偏，斜率/截距明顯偏離主群中心線（例如被往上拉成更陡或更高的線）
  - MAE 擬合線：穩定穿過主群中心，幾乎忽略極端值
  - **兩條擬合線方向必須一致或差別不大**（都是從左下大致到右上），差別只在「線通過哪裡」

嚴禁：
  ❌ 兩格用不同的散點分布
  ❌ 兩格擬合線方向相反（左格左下→右上、右格右下→左上 — v1 的錯誤）
  ❌ 兩格不畫極端值或極端值位置不同
  ❌ MSE 線跟 MAE 線視覺上差別不大（必須看得出 MSE 被拉偏）

左上角標示「L23103」。主標題寫「3.（3）損失函數對學習行為的影響」。最上方一條淺色 strip 寫「以迴歸任務為例：不同損失函數，影響學習軌跡與結果品質」。

版面切左右兩格做迴歸任務示例對比：

① 左格 MSE（均方誤差）
  畫上方標題「MSE（均方誤差）」+ 散點圖（含 1 個極端值）+ 一條被極端值拉偏的擬合線
  右側標籤指向極端值：「極端值」
  下方公式框：L_MSE = (1/n) Σ(ŷᵢ - yᵢ)²
  右下小字：「收斂速度快」、「當誤差分佈穩定時效果好」
  下方淺色說明：「壓低大誤差，但會過度受到極端值影響」

② 右格 MAE（平均絕對誤差）
  畫上方標題「MAE（平均絕對誤差）」+ 散點圖（**與左格使用完全相同的散點 + 極端值位置**）+ 一條穩定穿過主群的擬合線（忽略極端值）
  右側標籤指向相同的極端值：「極端值」
  下方公式框：L_MAE = (1/n) Σ|ŷᵢ - yᵢ|
  右下小字：「對極端值不敏感」、「更穩健（穩健）」
  下方淺色說明：「所有樣本誤差均等權重、較穩健，但學習速度可能較慢」

下方加一個紅橘警示框：「⚠️ 注意：不當選擇損失函數（如分類問題使用迴歸損失）將導致訓練無效，甚至完全無法收斂」，旁附小圖示（Loss 曲線無法收斂）。

最底加金句：「損失函數＝學習過程的『導航器』，引導模型在複雜問題空間中朝正確方向學習」。

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 L23101 / L23102 / L23302 等其他章節 — 本章是 L23103。
2. 嚴禁出現任何過頁鉤子文字。
3. 嚴禁出現右上角頁碼。

輸出檔名：L23103_p11_sec3_3_loss_learning_impact_v2.png
```

---

**艾冉只負責生圖。** 產完 1 張就 stop，不要自驗、不要寫 review 報告。驗收由 Heiter 親自做。