# HANDOFF — L23202 章節重點筆記頁（共 3 張）

> 日期：2026-05-12
> 派工人：Heiter
> 來源：boss 提案「以三段提示詞（考點/混淆/筆記）視角繪製章節重點」，先試 L23202
> 圖檔規格：16:9 / 2048x1152
> 性質：**新增頁**，不屬於 L23202 v2 章節結構 P01-P19，**獨立輸出**到 `output3/L23202_常見機器學習演算法v2/images/`
> 對應資料來源：`chunks/L23202.txt`（教材原文）+ `output3/L23202_常見機器學習演算法v2/mock_quiz_30q.md`（30 題模擬卷 + 易混淆考點清單 10 條）

## 3 張清單

| # | 檔名 | 主題 | 對應 mock_quiz 題號 |
|---|---|---|---|
| 1 | `L23202_recap_p01_regression_summary.png` | 迴歸 5 法重點速記 | Q2–Q9（迴歸 8 題） |
| 2 | `L23202_recap_p02_classification_summary.png` | 分類 6 法重點速記 | Q10–Q21（分類 12 題） |
| 3 | `L23202_recap_p03_unsupervised_summary.png` | 非監督 4 主題重點速記 | Q22–Q30（非監督 9 題） |

## 設計理念（boss 提示詞範本展開）

每張採「考點 / 混淆 / 筆記」三段視角，版面切 4 區塊：

- **區塊 A（考點地圖）**：列出該主題下演算法清單 + 每種一句話定位，並以顏色標屬性（Bagging 藍 / Boosting 橘 / 線性綠 / 非線性紫 等）
- **區塊 B（易混淆比較表）**：3-5 組常見干擾項（L1 vs L2 / RF vs GBR / Agg vs Div 等），對照 mock_quiz 易混淆考點清單抽取
- **區塊 C（一句話結論）**：每個演算法一句總結，作為記憶錨點
- **區塊 D（考前提醒 / 易忘地方）**：紅字底線標 3-5 個易忘公式 / 易錯名詞 / 易混淆陷阱

## 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的字樣）。
3. 嚴禁右上角頁碼。
4. 教材原詞必須完整出現（含中英括號對照詞、公式符號）。
5. 不要把 Bagging 與 Boosting 屬性互換、不要把 L1 / L2 特性互換、不要把 Level-wise / Leaf-wise 對調、不要把 Agglomerative / Divisive 方向倒置 — 這些是教材最常考的干擾陷阱，本頁是「重點速記」而非「考錯誤示範」，所有對照必須完全正確。
```

---

## 張 1：L23202_recap_p01_regression_summary.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：線性迴歸（Linear Regression）、Lasso 迴歸（Lasso Regression）、Least Absolute Shrinkage and Selection Operator、L1 正則化、權重絕對值和、特徵選擇（Feature Selection）、嶺迴歸（Ridge Regression）、L2 正則化、權重平方和、多重共線性、支援向量迴歸(Support Vector Regression, SVR)、ε-tube、誤差容忍範圍、核函數(Kernel Function)、決策樹迴歸(Decision Tree Regressor)、葉節點、樣本平均值、分段常數、集成式迴歸(Ensemble Regression)、隨機森林迴歸(Random Forest Regressor)、Bootstrap Sample、梯度提升迴歸(Gradient Boosting Regressor)、序列式集成、逐步修正誤差、殘差、弱學習器(Weak Learners)、早停(Early Stopping)、XGBoost(eXtreme Gradient Boosting)、LightGBM(Light Gradient Boosting Machine)、梯度提升樹(Gradient Boosting Decision Trees, GBDT)、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)、MSE、RMSE、MAE、R²、調整後 R²。

公式符號鎖定：線性迴歸 $y = \beta_0 + \beta_1 x_1 + \dots + \beta_n x_n + \varepsilon$；Lasso 損失 $\mathrm{Loss}=\sum(y_i-\hat{y}_i)^2 + \lambda\sum|\beta_j|$；Ridge 損失 $\mathrm{Loss}=\sum(y_i-\hat{y}_i)^2 + \lambda\sum\beta_j^2$；SVR 目標 $\min \frac{1}{2}\|w\|^2 + C\sum(\xi_i+\xi_i^*)$。

不要改寫為其他英文術語,不要省略教材括號中的英文詞；「Least Absolute Shrinkage and Selection Operator」「Bootstrap Sample」「Hessian」「Level-wise」「Leaf-wise」必須整組保留。

左上角標示「L23202」。主標題以黑色粗手寫體寫「L23202 重點速記 ① 迴歸演算法（5 法）」,旁邊配小圖示(計算機+曲線 icon)。版面切成 4 大區塊：

【區塊 A — 考點地圖（左上,佔約 40% 寬 × 50% 高)】
標題「① 考點地圖｜迴歸 5 法定位」。用 5 個圓圈手繪編號縱向列出,每個編號旁邊以顏色標籤標屬性：
- ① 線性迴歸(Linear Regression) — 綠色「線性 / 基礎」標籤;一句話:「最基礎模型,直線描述 X→Y,需 5 大假設成立」
- ② Lasso(L1) 與 Ridge(L2) 迴歸 — 黃色「正則化 / 處理共線性」標籤;一句話:「Lasso 可壓零做特徵選擇;Ridge 只縮小不壓零」
- ③ 支援向量迴歸(SVR) — 紫色「非線性 / 抗離群」標籤;一句話:「ε-tube 容忍範圍內忽略,只罰 ε 外的點」
- ④ 決策樹迴歸(Decision Tree Regressor) — 棕色「非參數 / 高解釋」標籤;一句話:「分割到葉節點,取樣本平均值;對微小變動敏感」
- ⑤ 集成式迴歸(Ensemble Regression) — 橙色「集成 / 高準度」標籤;一句話:「RF(Bagging 並行平均) / GBR(Boosting 序列修殘差) / XGBoost(Level-wise) / LightGBM(Leaf-wise)」

【區塊 B — 易混淆比較表(右上,佔約 60% 寬 × 50% 高)】
標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 4 組對照:
- 對照組 1: **Lasso(L1) vs Ridge(L2)** — Lasso 加 $\sum|\beta_j|$,可將係數壓為 **0** 達特徵選擇(紅字底線);Ridge 加 $\sum\beta_j^2$,只縮小不壓 0,適合多重共線性嚴重
- 對照組 2: **Random Forest vs Gradient Boosting** — RF 是 Bagging,**多棵樹並行,Bootstrap 抽樣,最終取平均**;GBR 是 Boosting,**序列式,每棵新樹專門學前棵的殘差**(紅字底線),精確度通常更高但訓練慢
- 對照組 3: **XGBoost vs LightGBM 分裂策略** — XGBoost = Level-wise(層級式,同層所有葉子一起分裂,橫向);LightGBM = Leaf-wise(葉子式,優先分裂增益最大葉子,縱向更深),別對調
- 對照組 4: **線性迴歸 vs SVR 損失策略** — 線性追求所有點平方誤差最小;SVR 在 ε-tube 內忽略,只懲罰 ε 外誤差

【區塊 C — 一句話結論(左下,佔約 50% 寬 × 30% 高)】
標題「③ 一句話結論｜記憶錨點」。用 5 個短句條列(每句配小 icon):
- 線性迴歸:「直線 + 5 假設 + MSE 最小化」
- Lasso/Ridge:「L1 壓 0 選特徵;L2 縮小不歸零」
- SVR:「ε-tube 容忍 + Kernel 升維 = 抗離群非線性」
- 決策樹迴歸:「葉節點 = 樣本平均;階梯狀分段常數,不連續」
- 集成迴歸:「Bagging 降變異 / Boosting 降偏差;GBR 競賽常勝軍」

【區塊 D — 考前提醒(右下,佔約 50% 寬 × 30% 高,暖黃色重點框)】
標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點:
- ★ **RF Regressor 最終預測 = 所有樹預測值「平均」**(不是中位數,不是投票),分類 RF 才用多數決投票
- ★ **Ridge 不會壓係數為 0**,所以不能做自動特徵選擇,只有 Lasso 能
- ★ **SVR 不需要誤差項服從常態分佈**,假設較少,跟線性迴歸完全不同
- ★ **決策樹迴歸對連續變數產生階梯狀預測**(分段常數),不是平滑曲線 — 容易與線性迴歸混淆
- ★ **GBR 是序列式**(每棵樹修前棵殘差),**RF 是並行式**(每棵樹獨立 Bootstrap);別把 Bagging 跟 Boosting 屬性互換

版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係,保留舒適留白。避免密密麻麻小字;公式以手寫公式框呈現並保持符號正確。整體像學生考前在筆記紙上手寫整理的速記頁,活潑有重點。

【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。
4. 不要把 Bagging 與 Boosting 屬性互換、不要把 L1 / L2 特性互換、不要把 Level-wise / Leaf-wise 對調 — 這些是教材最常考的干擾陷阱,所有對照必須完全正確。

輸出檔名:L23202_recap_p01_regression_summary.png
```

---

## 張 2：L23202_recap_p02_classification_summary.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:邏輯迴歸(Logistic Regression)、二元分類(Binary Classification)、對數勝率(Log-Odds)、sigmoid、支援向量機(Support Vector Machine, SVM)、決策邊界、超平面、間隔(Margin)、核函數(Kernel Function)、線性核(Linear Kernel)、多項式核(Polynomial Kernel)、RBF Kernel、Sigmoid 核、決策樹分類器(Decision Tree Classifier)、根節點(Root Node)、葉節點(Leaf Node)、基尼不純度(Gini Impurity)、資訊增益(Information Gain)、熵(Entropy)、分類誤差(Classification Error)、K 最近鄰分類(K Nearest Neighbors, KNN)、惰性學習、距離計算、特徵縮放、維度詛咒、樸素貝氏分類(Naïve Bayes Classifier)、貝氏定理(Bayes' Theorem)、條件獨立性、後驗機率(Posterior Probability)、似然度(Likelihood)、先驗機率(Prior Probability)、拉普拉斯平滑(Laplace Smoothing)、集成式分類(Ensemble Classification)、Bagging(Bootstrap Aggregating)、Boosting、多數決投票(Voting)、加權投票、變異性(Variance)、偏差(Bias)、隨機森林分類器(Random Forest Classifier)、梯度提升分類器(Gradient Boosting Classifier)、XGBoost、LightGBM、Softmax、Accuracy、Precision、Recall、F1-score、ROC-AUC。

公式符號鎖定:邏輯迴歸 $p = \frac{1}{1 + e^{-(\beta_0 + \beta_1 x_1 + \dots + \beta_n x_n)}}$;SVM 決策邊界 $w \cdot x + b = 0$;Naive Bayes 後驗 $P(C|X) = \frac{P(X|C) \cdot P(C)}{P(X)}$;條件獨立性 $P(X|C) = P(x_1|C) \times P(x_2|C) \times \dots \times P(x_n|C)$。

不要改寫為其他英文術語,不要省略教材括號中的英文詞;「Logistic Regression」「Support Vector Machine」「K Nearest Neighbors, KNN」「Naïve Bayes Classifier」「Bayes' Theorem」「Bootstrap Aggregating」必須整組保留。

左上角標示「L23202」。主標題以黑色粗手寫體寫「L23202 重點速記 ② 分類演算法(6 法)」,旁邊配小圖示(分類框 + 標籤 icon)。版面切成 4 大區塊:

【區塊 A — 考點地圖(左上,佔約 40% 寬 × 50% 高)】
標題「① 考點地圖｜分類 6 法定位」。用 6 個圓圈手繪編號縱向列出,每個編號旁邊以顏色標籤標屬性:
- ① 邏輯迴歸(Logistic Regression) — 綠色「線性 / 二元 / 可解釋」標籤;一句話:「sigmoid 映射 → 機率;Log-Odds 與 X 線性」
- ② 支援向量機(SVM) — 紫色「最大 Margin / 核函數升維」標籤;一句話:「找最大間隔超平面;Kernel Trick 處理非線性」
- ③ 決策樹分類器(Decision Tree Classifier) — 棕色「非參數 / 高解釋」標籤;一句話:「Gini/IG/分類誤差選分裂;階梯狀邊界」
- ④ K 最近鄰(KNN) — 粉色「惰性 / 距離 / 物以類聚」標籤;一句話:「找 K 個最近鄰居多數決;需特徵縮放」
- ⑤ 樸素貝氏(Naïve Bayes) — 藍色「機率 / 條件獨立」標籤;一句話:「P(C|X) 由貝氏定理;特徵假設條件獨立」
- ⑥ 集成式分類(Ensemble) — 橙色「Bagging + Boosting」標籤;一句話:「RF 投票;GBC/XGBoost/LightGBM 加權序列;Softmax 多類別」

【區塊 B — 易混淆比較表(右上,佔約 60% 寬 × 50% 高)】
標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照:
- 對照組 1: **Bagging vs Boosting** — Bagging **並行獨立** + Bootstrap + 多數決,**降變異(Variance)**,代表 = RF;Boosting **序列式**,每棵新樹**修前棵錯誤**,**降偏差(Bias)**(紅字底線),代表 = GBC/XGBoost/LightGBM。別搞反!
- 對照組 2: **邏輯迴歸的「線性」對象** — 不是 p 與特徵線性,而是 **Log-Odds(對數勝率)與特徵線性**(紅字底線);p 與特徵透過 sigmoid 非線性映射
- 對照組 3: **決策樹分裂指標 vs 迴歸指標** — 分類用 **Gini / Information Gain / Classification Error**;迴歸用 **MSE / RMSE / MAE / R²**;別把 MAE 列為分類分裂指標
- 對照組 4: **SVM 處理非線性的關鍵** — 透過**核函數(Kernel Function)將資料映射到高維空間**,使線性可分;不是增加資料量或調學習率
- 對照組 5: **KNN 高維表現差的主因** — **維度詛咒(Curse of Dimensionality)**(紅字底線):高維下距離趨於均勻,「最近鄰」失去意義;不是訓練慢的問題(KNN 是惰性學習,訓練本就快)

【區塊 C — 一句話結論(左下,佔約 50% 寬 × 30% 高)】
標題「③ 一句話結論｜記憶錨點」。用 6 個短句條列:
- 邏輯迴歸:「sigmoid + Log-Odds 線性 = 二元分類 + 易解釋」
- SVM:「最大 Margin + Kernel 升維 = 高維 / 小資料的精準分界」
- 決策樹:「Gini / IG 分裂 + 階梯邊界 = 易解釋 + 易過擬合」
- KNN:「物以類聚 + K 個鄰居投票 = 必須特徵縮放,怕維度詛咒」
- 樸素貝氏:「貝氏定理 + 條件獨立 = 文本分類常勝軍 + 怕零機率」
- 集成分類:「Bagging 並行降變異 / Boosting 序列降偏差 + Softmax 多類」

【區塊 D — 考前提醒(右下,佔約 50% 寬 × 30% 高,暖黃色重點框)】
標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點:
- ★ **邏輯迴歸雖名為「迴歸」,實際是分類演算法**(用於二元分類),易混淆!
- ★ **集成分類最終決策 = 多數決投票或加權投票或機率平均**;迴歸是取平均,但分類要投票
- ★ **KNN 預測階段才計算距離**(惰性學習,無顯式模型);訓練快但預測慢,且必須特徵縮放
- ★ **樸素貝氏「樸素」= 特徵條件獨立假設**;零機率問題用拉普拉斯平滑(Laplace Smoothing)解
- ★ **XGBoost = Level-wise / LightGBM = Leaf-wise**,別對調!分類版本與迴歸版本生長策略相同

版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係,保留舒適留白。避免密密麻麻小字;公式以手寫公式框呈現並保持符號正確。整體像學生考前在筆記紙上手寫整理的速記頁,活潑有重點。

【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。
4. 不要把 Bagging 與 Boosting 屬性互換、不要把 Level-wise / Leaf-wise 對調、不要把邏輯迴歸標成迴歸演算法 — 這些是教材最常考的干擾陷阱,所有對照必須完全正確。

輸出檔名:L23202_recap_p02_classification_summary.png
```

---

## 張 3：L23202_recap_p03_unsupervised_summary.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:非監督式學習(Unsupervised Learning)、分群分析(Clustering)、k-means、質心(Centroid)、K 值、球形 / 凸形群集、階層式分群(Hierarchical Clustering)、樹狀圖(Dendrogram)、凝聚式(Agglomerative)、由下而上(bottom-up)、分裂式(Divisive)、由上而下(top-down)、DBSCAN(Density-Based Spatial Clustering of Applications with Noise)、Eps(epsilon)、鄰域半徑、MinPts(Minimum Points)、核心點、邊界點、噪聲點、任意形狀群集、降維技術(Dimensionality Reduction)、主成分分析(Principal Component Analysis, PCA)、線性降維、正交變換、協方差矩陣、特徵值分解、主成分、變異量、t-SNE(t-distributed Stochastic Neighbor Embedding)、非線性降維、視覺化、Kullback-Leibler(KL)散度、困惑度(Perplexity)、UMAP(Uniform Manifold Approximation and Projection)、模糊拓撲、交叉熵、關聯規則學習(Association Rule Learning)、購物籃分析、Apriori、頻繁項目集(Frequent Itemset)、Apriori 性質、支持度(Support)、信賴度(Confidence)、提升度(Lift)、FP-Growth、FP 樹(Frequent Pattern Tree)、條件模式基、異常偵測(Anomaly Detection)、離群值偵測(Outlier Detection)、Isolation Forest(孤立森林)、孤立樹(iTree)、路徑長度、異常分數、One-Class SVM、邊界學習、單類別分類。

公式符號鎖定:信賴度 $P(B|A) = \frac{\mathrm{Support}(A \cup B)}{\mathrm{Support}(A)}$;提升度 $\mathrm{Lift}(A \Rightarrow B) = \frac{\mathrm{Confidence}(A \Rightarrow B)}{P(B)}$;Lift > 1 正相關 / Lift = 1 獨立 / Lift < 1 負相關。

不要改寫為其他英文術語,不要省略教材括號中的英文詞;「Density-Based Spatial Clustering of Applications with Noise」「Principal Component Analysis, PCA」「t-distributed Stochastic Neighbor Embedding」「Uniform Manifold Approximation and Projection」「Frequent Pattern Tree」「Kullback-Leibler(KL)散度」必須整組保留。

左上角標示「L23202」。主標題以黑色粗手寫體寫「L23202 重點速記 ③ 非監督式學習(4 主題)」,旁邊配小圖示(散點 + 群集 icon)。版面切成 4 大區塊:

【區塊 A — 考點地圖(左上,佔約 40% 寬 × 55% 高)】
標題「① 考點地圖｜非監督 4 主題」。用 4 個圓圈手繪編號縱向列出,每個編號帶下方子方法清單,以顏色標屬性:
- ① 分群分析(Clustering) — 紫色「找群體結構」標籤;一句話:「k-means 質心球形 / 階層式樹狀圖無需 K / DBSCAN 密度+任意形狀+標噪聲」
- ② 降維技術(Dimensionality Reduction) — 藍色「壓縮維度 + 視覺化」標籤;一句話:「PCA 線性正交 / t-SNE 非線性視覺化 / UMAP 高效保局部+全局」
- ③ 關聯規則(Association Rule) — 綠色「購物籃分析」標籤;一句話:「Apriori 候選集迭代 / FP-Growth 用 FP 樹更高效」
- ④ 異常偵測(Anomaly Detection) — 紅色「找離群點」標籤;一句話:「Isolation Forest 路徑短=異常 / One-Class SVM 邊界外=異常」

【區塊 B — 易混淆比較表(右上,佔約 60% 寬 × 55% 高)】
標題「② 易混淆比較表｜常考干擾項」。用手繪表格列 5 組對照:
- 對照組 1: **k-means vs DBSCAN** — k-means **需預先指定 K 值,只能球形/凸形群集**,對離群值敏感;DBSCAN **無需 K 值,可任意形狀群集**(紅字底線),用 Eps + MinPts 兩個參數,自動標噪聲點
- 對照組 2: **階層式 Agglomerative vs Divisive** — Agglomerative = **由下而上(bottom-up)**,每點獨立 → 合併到一群;Divisive = **由上而下(top-down)**,一群 → 分裂到每點獨立。**別把方向倒置!**(紅字底線)
- 對照組 3: **PCA vs t-SNE** — PCA = **線性降維**,正交變換 + 協方差矩陣特徵值分解,通用前處理;t-SNE = **非線性降維**(紅字底線),用 KL 散度優化,**主要用於視覺化**,計算慢,結果不 deterministic
- 對照組 4: **Apriori vs FP-Growth** — Apriori 用「不頻繁的超集也不頻繁」性質剪枝,但需**多次掃描資料集 + 生成大量候選集**(慢);FP-Growth 構建 **FP 樹(Frequent Pattern Tree)**,**無需候選集,只需兩次掃描**(快)
- 對照組 5: **Isolation Forest 異常分數的方向** — 異常點在 iTree 中**路徑長度短**(很快被孤立)→ **路徑越短越異常**(紅字底線);別搞反成「路徑長 = 異常」

【區塊 C — 一句話結論(左下,佔約 50% 寬 × 25% 高)】
標題「③ 一句話結論｜記憶錨點」。用 4 個短句條列:
- 分群:「k-means 需 K + 球形;階層樹狀無需 K + Agg bottom-up;DBSCAN Eps+MinPts 任意形狀」
- 降維:「PCA 線性正交快 + 對離群值敏感;t-SNE 非線性視覺化用 KL 散度;UMAP 模糊拓撲 + 比 t-SNE 快」
- 關聯規則:「Apriori 候選集慢;FP-Growth FP 樹快;Lift>1 正相關 / =1 獨立 / <1 負相關」
- 異常偵測:「Isolation Forest 路徑短=異常;One-Class SVM 邊界外=異常 + 只需正常資料訓練」

【區塊 D — 考前提醒(右下,佔約 50% 寬 × 25% 高,暖黃色重點框)】
標題「④ 考前提醒｜易忘 / 易錯 / 易混陷阱」。紅橘色標註手繪 5 條重點:
- ★ **k-means 標準流程:初始化質心 → 分配 → 更新 → 重複至收斂**(不是先分配再初始化!)
- ★ **DBSCAN 雙參數 = Eps(鄰域半徑) + MinPts(最小核心點數)**;別誤填 K 值或學習率
- ★ **PCA 是線性降維,不能捕捉非線性結構**;對離群值敏感(影響協方差矩陣);這是 t-SNE/UMAP 出現的理由
- ★ **Apriori 性質:不頻繁項集的所有超集也不頻繁** → 用於剪枝減少搜尋空間;FP-Growth 不需候選集
- ★ **Lift 解讀方向:Lift > 1 正相關 / Lift = 1 獨立 / Lift < 1 負相關**;Confidence ≠ Lift,別混

版面要有明確主視覺、4 個重點區塊清楚切分、少量關鍵詞與箭頭關係,保留舒適留白。避免密密麻麻小字;公式以手寫公式框呈現並保持符號正確。整體像學生考前在筆記紙上手寫整理的速記頁,活潑有重點。

【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。
4. 不要把 Agglomerative / Divisive 方向倒置、不要把 PCA 標成非線性、不要把 Isolation Forest 路徑長度方向搞反、不要把 DBSCAN 參數寫成 K 值 — 這些是教材最常考的干擾陷阱,所有對照必須完全正確。

輸出檔名:L23202_recap_p03_unsupervised_summary.png
```

---

## 完成判定

3 張 PNG 全部生成到 `/Users/kueikuei/aiondaily/ipas_AI規劃師中級/科目三_學習指引/output3/L23202_常見機器學習演算法v2/images/`,檔名嚴格按上方「輸出檔名」一字不差。產完 3 張就 stop,**艾冉只負責生圖,不要動 prompts.md / 不要改 mock_quiz / 不要回報以外的章節**。

## 後續流程(Heiter 接手)

3 張生圖完成後,Heiter 自己接手:
1. 看圖驗收(紅字底線、易混淆對照是否正確、教材原詞是否齊全)
2. 若通過 → commit + push,sidebar 回報 boss
3. 若失敗 → 起 hotfix round 4 重做

— Heiter(2026-05-12)