分類和迴歸差在哪？差在答案的樣子：答案是「選項」（會不會、哪一種）就是分類，答案是「數字」（多少、幾杯）就是迴歸。
這兩種都屬於監督式學習，也是工作上最常用、考試最常考的兩種模型。這篇一樣用手搖飲料店當例子，帶你分清楚兩者，再一步一步算給你看：分類怎麼從「機率」變成答案、迴歸的 MAE、RMSE 到底怎麼算、數字大小代表什麼。
先複習：分類和迴歸都是「監督式學習」
上一篇〈機器學習有哪幾種？〉講過，監督式學習就是給電腦一堆「題目＋正確答案」，讓它從裡面學會答題，就像拿有附解答的考古題來練習。
這個「正確答案」叫做標籤（Label）。監督式學習會再分成分類和迴歸，判斷方法只有一個：看標籤長什麼樣子。
| 標籤長這樣 | 是哪一種 | 飲料店例子 |
|---|---|---|
| 幾個固定選項裡選一個 | 分類 | 這位會員下個月「會回來」還是「不會回來」？ |
| 一個可大可小的數字 | 迴歸 | 明天會賣出「幾杯」珍珠奶茶？ |
就這麼簡單。後面所有內容，都是在把這張表講得更透。
為什麼你需要知道
- 選錯模型，結果直接不能用：明明要預測營業額（數字），卻選了分類模型，電腦只會回你「高／低」，沒辦法告訴你「大概 3 萬 2」
- 看不懂評分報告：分類和迴歸的「考試分數」算法完全不同。分類看「猜對幾成」，迴歸看「平均差多少」。看錯指標，你會以為很爛的模型很好
- GCP 上第一步就要選：在 BigQuery ML 或 AutoML 訓練模型，第一個要填的就是「這是分類還是迴歸」
- 證照必考：PMLE 官方考試指南第一大區塊就寫明，要能依商業問題選擇分類、迴歸等模型類型
分類：答案是「選項」
白話是什麼
分類（Classification）：讓電腦從幾個事先定好的選項裡，挑一個當答案。
比喻
就像郵局分信：每封信都要丟進「台北、台中、高雄」其中一格。不會有「台北和台中中間」這種答案，一定是某一格。
為什麼叫「分類」
字面意思就是「分到哪一類」。Google 的機器學習詞彙表對分類模型的定義也很直白：預測結果是一個「類別」的模型。
為什麼要學
生活中「是不是」「會不會」「哪一種」的問題，幾乎都是分類：這封信是不是垃圾信、這筆刷卡是不是盜刷、這則評論是正評還是負評。企業最常做的機器學習專案，有一大半都是分類。
分類的三種常見形式
| 形式 | 白話 | 飲料店例子 |
|---|---|---|
| 二元分類（Binary） | 只有兩個選項 | 會員下個月會不會回來？（會／不會） |
| 多元分類（Multi-class） | 三個以上選項，挑一個 | 這位客人最可能點哪一類？（奶茶／果茶／咖啡） |
| 多標籤分類（Multi-label） | 可以同時選好幾個 | 這則評論提到哪些事？（口味、價錢、服務，可以同時都有） |
前兩種最常見，考試也最常考。多標籤先認得名字就好。
算一次給你看：分類其實是「先算機率，再切一刀」
很多人以為分類模型直接吐出「會」或「不會」。其實大部分分類模型會先算出一個 0 到 1 之間的機率，再拿一條線去切：
- 機率高於這條線 → 答「會」
- 機率低於這條線 → 答「不會」
這條線叫做門檻（Threshold）。白話就是「機率要超過多少，才算數」，像考試的及格分數。BigQuery ML 的官方文件寫明，二元分類的門檻預設是 0.5。
為什麼要分兩步：機率比「會／不會」多了很多資訊。0.51 和 0.99 都會被判成「會」，但店長知道 0.99 那位幾乎一定回來，0.51 那位最好再發張優惠券拉一下。
下面假設模型對 5 位會員算出「下個月會回來」的機率，再對照他們實際有沒有回來（數字是教學用的假設）：
| 會員 | 模型算的機率 | 門檻 0.5 判成 | 實際 | 對不對 |
|---|---|---|---|---|
| A | 0.92 | 會 | 會 | ✅ |
| B | 0.15 | 不會 | 不會 | ✅ |
| C | 0.58 | 會 | 不會 | ❌ |
| D | 0.41 | 不會 | 會 | ❌ |
| E | 0.77 | 會 | 會 | ✅ |
分類最基本的評分方式叫準確率（Accuracy），就是「猜對幾成」：
準確率 = 猜對的筆數 ÷ 全部筆數
= 3 ÷ 5
= 0.6（60%）現在把門檻從 0.5 調低到 0.4，會員 D（0.41）就變成「會」，剛好猜對了。其他人的判斷不變：
準確率 = 4 ÷ 5 = 0.8（80%）同一個模型、同一組機率，只是門檻不同，分數就從 60% 變 80%。
數字怎麼看：
- 準確率越接近 1（100%）越好，0.5 在二元分類裡跟丟銅板差不多
- 門檻調低：比較容易判成「會」，抓到更多真的會回來的人，但也會多冤枉一些不會回來的人
- 門檻調高：判「會」變得很保守，比較少冤枉人，但會漏掉一些
準確率有個大陷阱：如果 100 位會員只有 1 位會流失，模型全部猜「不會流失」也有 99% 準確率，但它一個都沒抓到。所以分類還有精確率、召回率、F1、AUC 等指標。這些會在第 5、6 篇用快篩的例子完整拆開。
一個常見誤會：邏輯迴歸是分類
最經典的分類模型叫邏輯迴歸（Logistic Regression）。名字有「迴歸」，卻是拿來分類的。
原因就是上面講的兩步驟：它內部先算出一個機率（一個數字），這一步的計算方式跟迴歸很像，所以名字裡有「迴歸」。但它最後交出的答案是「會／不會」，用途是分類。Google 機器學習速成課程也把它定位成「預測某件事發生機率」的模型。
迴歸：答案是「數字」
白話是什麼
迴歸（Regression）：讓電腦預測一個可大可小的數字，答案不是幾個固定選項，而是一整條數線上的任何一個值。
比喻
就像體重計：它不會只告訴你「胖／不胖」，而是給你「62.4 公斤」。答案可以是 62.4，也可以是 62.5，中間有無限多種可能。
為什麼叫「迴歸」
這個名字跟「數字」本身沒關係，是歷史留下來的。19 世紀英國學者高爾頓研究父母和子女的身高，發現特別高的父母，小孩通常也高，但會往大家的平均「回來一點」，他稱為「回歸平均」。後來研究「用數字預測數字」的方法，就一直沿用這個名字。
記住「迴歸＝預測數字」就好，不用從字面去理解。
為什麼要學
營業額、房價、車程時間、明天要備多少料，這些商業上最在意的「多少」，都是迴歸。而且迴歸的評分方式跟分類完全不同，這是新手最容易卡住的地方，下面一步一步算。
常見例子
| 想知道的事 | 答案 | 為什麼是迴歸 |
|---|---|---|
| 明天會賣幾杯珍奶？ | 236 杯 | 杯數是數字，多 1 杯少 1 杯都有意義 |
| 這位會員下個月會花多少錢？ | 1,280 元 | 金額可大可小 |
| 外送要幾分鐘送到？ | 23 分鐘 | 時間是連續的數字 |
迴歸怎麼評分：MAE、RMSE 一次算給你看
迴歸沒辦法用「猜對幾成」來評分。預測 236 杯、實際賣 237 杯，算對還是錯？只差 1 杯，其實很準。
所以迴歸看的是：平均差了多少。
先定義一個詞：
誤差（Error）＝ 實際值 − 預測值
實際賣 220 杯、模型預測 230 杯，誤差就是 220 − 230 ＝ −10 杯（預測多了 10 杯）。
情境設定（教學用的假設數字）
飲料店想預測每天珍奶的銷量，好決定要煮多少珍珠。有兩個模型，拿過去 5 天來測試：
| 日期 | 實際賣出 | 模型 A 預測 | A 的誤差 | 模型 B 預測 | B 的誤差 |
|---|---|---|---|---|---|
| 週一 | 200 | 210 | −10 | 200 | 0 |
| 週二 | 240 | 230 | +10 | 240 | 0 |
| 週三 | 180 | 190 | −10 | 180 | 0 |
| 週四 | 260 | 250 | +10 | 260 | 0 |
| 週五 | 220 | 230 | −10 | 180 | +40 |
一眼看過去：模型 A 每天都差一點點；模型 B 前四天完美，但週五大失準，少估了 40 杯。
哪個比較好？兩個指標會給你不一樣的答案。
指標 1：MAE（平均絕對誤差）
白話：不管預測多了還是少了，都當成「差了幾杯」，再取平均。
比喻：像量你每天上班遲到或早到幾分鐘，不管早到晚到都算「沒準時幾分鐘」，再算平均。
名字的來龍去脈：MAE 是 Mean Absolute Error，三個字倒過來讀就是算法：先取絕對值（Absolute，把負號拿掉）、算誤差（Error）、再取平均（Mean）。為什麼要取絕對值？因為 −10 和 +10 直接相加會變 0，看起來「完全沒誤差」，這是錯的。
公式：
MAE = （每一天誤差的絕對值加總）÷ 天數模型 A：
MAE = (10 + 10 + 10 + 10 + 10) ÷ 5
= 50 ÷ 5
= 10 杯模型 B：
MAE = (0 + 0 + 0 + 0 + 40) ÷ 5
= 40 ÷ 5
= 8 杯數字怎麼看：MAE ＝ 10 的意思是「這個模型平均每天差 10 杯」。單位跟你預測的東西一樣，所以非常好懂。越小越好，0 代表完美。
照 MAE 看，模型 B（8 杯）比模型 A（10 杯）好。
指標 2：RMSE（均方根誤差）
白話：先把每天的誤差「平方」，讓大的誤差變得更大，再取平均、最後開根號回到原本的單位。
比喻：像老闆評估員工，偶爾小遲到 5 分鐘還好，但只要有一次放鳥 2 小時，整個印象分數就大扣。RMSE 就是那個「特別在意大失誤」的老闆。
名字的來龍去脈：Root Mean Squared Error，一樣倒過來讀就是算法：誤差（Error）先平方（Squared），取平均（Mean），最後開根號（Root）。只做到「平方再平均」那一步的叫 MSE（均方誤差），但 MSE 的單位會變成「杯的平方」，很難解讀，所以再開根號變回「杯」，就是 RMSE。
為什麼要平方？Google 機器學習速成課程的說明是：平方會讓大誤差變得更大，所以 MSE、RMSE 會比 MAE 更受極端值影響。
公式：
MSE = （每一天誤差的平方加總）÷ 天數
RMSE = √MSE模型 A：
每天誤差平方：10² = 100，五天都是 100
MSE = (100 + 100 + 100 + 100 + 100) ÷ 5 = 500 ÷ 5 = 100
RMSE = √100 = 10 杯模型 B：
每天誤差平方：0、0、0、0、40² = 1600
MSE = (0 + 0 + 0 + 0 + 1600) ÷ 5 = 1600 ÷ 5 = 320
RMSE = √320 ≈ 17.9 杯數字怎麼看：照 RMSE 看，結果反過來了，模型 A（10 杯）比模型 B（17.9 杯）好。因為 B 那一天差 40 杯，平方後變成 1600，整個分數被拉高。
兩個指標打架，該聽誰的？
| MAE（平均絕對誤差） | RMSE（均方根誤差） | |
|---|---|---|
| 怎麼算 | 誤差取絕對值，再平均 | 誤差平方、平均、再開根號 |
| 模型 A | 10 杯 | 10 杯 |
| 模型 B | 8 杯（較好） | 17.9 杯 |
| 個性 | 每一杯的誤差都一樣重要 | 特別懲罰大失誤 |
| 適合 | 資料裡有怪異的極端值，不想被它帶著走 | 大失誤的代價很高，寧可每天小誤差 |
回到飲料店：週五少估 40 杯，代表珍珠不夠、客人買不到、直接少賺。如果店長最怕的是「某一天突然缺貨」，就該看 RMSE，選模型 A。
反過來，如果那天其實是附近辦活動、一年只有一次的特例，你不希望這種怪日子影響判斷，就該看 MAE。
沒有哪個指標比較正確，要看你最怕哪一種錯。 這個觀念到第 5 篇的精確率、召回率也一樣適用。
小規律：RMSE 一定大於或等於 MAE。兩者一樣大（像模型 A），代表每天誤差都差不多；RMSE 比 MAE 大很多（像模型 B），代表有幾天特別失準。兩個一起看，就能看出誤差是「平均分散」還是「集中在幾次大失誤」。
指標 3：R²（判定係數）
BigQuery ML 的評分報告裡還會看到一個 R²（R-squared，判定係數）。它回答的問題是：
「比起什麼都不想、每天都猜平均值，這個模型好了多少？」
比喻：一個完全不懂行情的新店員，每天都說「就準備平均的量吧」。R² 就是在比「模型」和「這位新店員」誰比較準。
公式：
R² = 1 − （模型誤差的平方加總）÷（每天都猜平均值的誤差平方加總）5 天的平均銷量是 (200 + 240 + 180 + 260 + 220) ÷ 5 = 220 杯。如果每天都猜 220：
誤差：−20、+20、−40、+40、0
平方加總 = 400 + 400 + 1600 + 1600 + 0 = 4000再算兩個模型自己的「誤差平方加總」。這個數字前面算 MSE 時其實已經出現過，就是除以 5 之前的那個加總：
模型 A：
誤差：−10、+10、−10、+10、−10
平方：100、100、100、100、100
平方加總 = 100 + 100 + 100 + 100 + 100 = 500
R² = 1 − 500 ÷ 4000 = 1 − 0.125 = 0.875模型 B：
誤差：0、0、0、0、+40
平方：0、0、0、0、1600
平方加總 = 0 + 0 + 0 + 0 + 1600 = 1600
R² = 1 − 1600 ÷ 4000 = 1 − 0.4 = 0.6數字怎麼看：
- 1：完美，每天都猜中
- 0：跟「每天都猜平均值」一樣，模型等於白做
- 負數：比每天猜平均還爛，模型有問題
- 模型 A 的 0.875 代表「比猜平均好很多」；模型 B 的 0.6 也有進步，但被那天的大失誤拖累
R² 跟 RMSE 一樣是用「平方」算的，所以它也站在模型 A 那邊。
補充：RMSLE（均方根對數誤差），看「差幾倍」不是「差幾杯」
後面講 AutoML 和考試時，你會看到一個長得很像 RMSE 的名字：RMSLE。先在這裡認識它。
白話：MAE、RMSE 都在看「差了幾杯」；RMSLE 看的是「差了幾倍、幾成」。
比喻：同樣多付 100 元，買一台 3 萬元的手機你大概沒感覺，買一杯 50 元的飲料卻多付 100 元，等於貴了兩倍，你一定跳起來。金額一樣，感受差很多，因為比例不一樣。 RMSLE 就是用「比例」的眼光在看誤差。
算一次給你看（教學假設的數字）：飲料店除了珍奶，還有一款季節限定飲品，一天大概只賣 10 杯。模型某天的預測是這樣：
| 實際賣出 | 模型預測 | 差了幾杯 | 差了幾倍 | |
|---|---|---|---|---|
| 珍奶 | 220 杯 | 230 杯 | 10 杯 | 230 ÷ 220 ≈ 1.05 倍（多了約 5%） |
| 限定款 | 10 杯 | 20 杯 | 10 杯 | 20 ÷ 10 = 2 倍（多了 100%） |
- 用 MAE、RMSE 看：兩款都差 10 杯，一樣嚴重
- 用 RMSLE 看：珍奶只多估 5%，幾乎沒問題；限定款多估了一倍，多煮的料一半要倒掉，這才是大問題
名字的來龍去脈：Root Mean Squared Log Error，比 RMSE 多了一個 Log（對數）。對數是一種數學工具，它的特性是把「差幾倍」變成「差多少」：220 和 230 取對數後幾乎一樣，10 和 20 取對數後就差很多。所以 RMSLE 的做法，就是先把實際值和預測值都取對數，再照 RMSE 的步驟（平方、平均、開根號）算一次。對數怎麼算不用背，記住「RMSLE＝看比例的 RMSE」就夠了。
什麼時候用：你要預測的數字有大有小、差很多的時候。例如同一個模型要同時預測每天賣 10 杯和賣 1 萬杯的品項，用 RMSE 的話，大品項差個幾百杯就把分數拉爆，小品項錯一倍也不顯眼；RMSLE 讓大小品項用同一把「比例尺」來比，比較公平。
分類 vs 迴歸：一張表比完
| 分類（Classification） | 迴歸（Regression） | |
|---|---|---|
| 答案長怎樣 | 幾個固定選項之一 | 可大可小的數字 |
| 飲料店例子 | 會員會不會回來？ | 明天賣幾杯？ |
| 模型實際輸出 | 每個選項的機率，再用門檻切 | 直接一個數字 |
| 怎麼評分 | 準確率、精確率、召回率、F1、AUC | MAE、RMSE、R² |
| 評分的意思 | 猜對幾成 | 平均差多少 |
| 常見模型 | 邏輯迴歸、決策樹、提升樹、神經網路 | 線性迴歸、決策樹、提升樹、神經網路 |
| BigQuery ML 的 model_type | LOGISTIC_REG、BOOSTED_TREE_CLASSIFIER | LINEAR_REG、BOOSTED_TREE_REGRESSOR |
注意「常見模型」那一列：決策樹、提升樹、神經網路兩邊都能做。它們像萬用工具，換個設定就能從分類切到迴歸。只有線性迴歸、邏輯迴歸是「專門的」。
三個容易判斷錯的情況
1. 長得像數字，其實是分類
郵遞區號、會員等級（1、2、3 級）、店號，雖然寫成數字，但數字之間不能比大小、不能相加。郵遞區號 100 加 200 不會變成 300 的意思。這種答案是「選項」，要用分類。
判斷方法：問自己「預測差 1 有沒有意義」。銷量差 1 杯有意義（很接近），郵遞區號差 1 沒意義（完全是另一個地方）。
2. 同一個問題，可以改成另一種問法
| 想知道的事 | 問成分類 | 問成迴歸 |
|---|---|---|
| 會員消費 | 下個月會不會花超過 500 元？ | 下個月會花多少錢？ |
| 外送時間 | 會不會遲到？ | 要幾分鐘送到？ |
要用哪一種，看你拿到答案之後要做什麼決定。只要決定「發不發優惠券」，問成分類就夠；要算「下個月預估營收」，就要迴歸。
3. 星等評分（1 到 5 星）兩種都可以
5 星比 4 星好，數字有大小關係，可以當迴歸；但它又只有 5 個選項，也可以當多元分類。實務上兩種都有人做，沒有標準答案，看你需要的是「預估平均幾星」還是「判斷是哪一級」。
番外：時間序列預測
如果你要預測的數字是照時間排的，例如「未來 7 天每天的銷量」，這種叫時間序列預測（Forecasting）。它本質上也是預測數字，但會特別考慮「星期幾」「季節」「趨勢」這些跟時間有關的規律。
在 BigQuery ML 裡，時間序列有專門的模型 ARIMA_PLUS，考試也常把它跟一般迴歸分開考。時間序列的資料要怎麼切才不會作弊，會在第 4 篇講。
在 GCP 上怎麼做
GCP（Google Cloud Platform） 是 Google 的雲端服務，白話說就是租用 Google 機房裡的電腦和工具。分類和迴歸在 GCP 上最常用兩個服務。
1. BigQuery ML：用 SQL 訓練分類和迴歸
- BigQuery：Google 的大型資料倉庫，專門存放和分析超大量的表格資料。想多了解可以看 BigQuery 跟資料庫差在哪
- SQL：一種「跟資料庫說話」的語言，用來查詢、整理資料
- BigQuery ML：讓你用 SQL 直接在 BigQuery 裡訓練模型，資料不用搬出去
訓練一個分類模型（預測會員會不會回來）：
CREATE MODEL `shop.will_return`
OPTIONS(model_type='LOGISTIC_REG',
input_label_cols=['returned']) AS
SELECT visits_per_month, avg_spend, returned
FROM `shop.members`;訓練一個迴歸模型（預測每天賣幾杯）：
CREATE MODEL `shop.daily_cups`
OPTIONS(model_type='LINEAR_REG',
input_label_cols=['cups_sold']) AS
SELECT day_of_week, temperature, is_holiday, cups_sold
FROM `shop.daily_sales`;一行一行翻成白話：
model_type：選模型。LOGISTIC_REG是邏輯迴歸（分類），LINEAR_REG是線性迴歸（迴歸）input_label_cols：告訴它哪一欄是標準答案（標籤）。分類那個是returned（有沒有回來），迴歸那個是cups_sold（賣了幾杯）SELECT後面其他欄位：電腦拿來推測答案的線索，例如星期幾、氣溫、是不是假日
兩段程式幾乎一樣，差別就在 model_type 和標籤欄位是選項還是數字。 這就是這篇的重點。
用 ML.EVALUATE 看分數
模型訓練好之後，用 ML.EVALUATE 看分數：
SELECT * FROM ML.EVALUATE(MODEL `shop.daily_cups`);依照官方文件，它會依模型類型給你不同的指標：
| 模型類型 | ML.EVALUATE 給的指標（部分） | 對應這篇講的 |
|---|---|---|
| 迴歸 | mean_absolute_error、mean_squared_error、r2_score | MAE、MSE、R² |
| 分類 | accuracy、precision、recall、f1_score、roc_auc | 準確率，其他留到第 5、6 篇 |
注意：報告裡沒有直接給 RMSE，但 RMSE 就是 MSE 開根號。上面的例子如果 mean_squared_error 是 320，RMSE 就是 √320 ≈ 17.9。
分類模型還可以在 ML.EVALUATE 裡自己指定門檻，例如改成 0.4，就能像前面那樣看門檻改變後分數怎麼變。沒指定的話，門檻預設是 0.5。
2. AutoML：不寫程式，選好目標它幫你試
AutoML 是「自動化機器學習」：上傳表格資料、指定要預測哪一欄，它會自動試很多種模型、挑最好的。建立時一樣要選分類或迴歸。
選迴歸時，還可以設定「最佳化目標」，就是告訴它「你要用哪個分數來挑模型」。依照官方 SDK 文件，迴歸可選：
| 選項 | 意思 | 什麼時候選 |
|---|---|---|
minimize-rmse（預設） | 讓 RMSE 越小越好 | 大失誤代價高 |
minimize-mae | 讓 MAE 越小越好 | 資料有極端值，不想被帶著走 |
minimize-rmsle | 讓 RMSLE 越小越好（看「差幾倍」不是「差幾杯」） | 預測值有大有小，例如有的品項一天賣 10 杯、有的賣 1 萬杯 |
AutoML 所在的平台名字最近改了：
舊題庫可能還會看到 Vertex AI AutoML，現在叫 AutoML on Gemini Enterprise Agent Platform。
Google Cloud 在 2026 年 4 月 22 日把 Vertex AI 改名為 Gemini Enterprise Agent Platform（簡稱 Agent Platform），底下功能跟著改名（官方對照表）。功能本身是延續的，看到舊名稱不用緊張。
| 舊名稱 | 現在的名稱 |
|---|---|
| Vertex AI | Gemini Enterprise Agent Platform（Agent Platform） |
| Vertex AI AutoML（Tables 等） | AutoML on Gemini Enterprise Agent Platform |
| Vertex AI Model Registry | Model Registry on Gemini Enterprise Agent Platform |
| Vertex AI Endpoints | Gemini Enterprise Agent Platform Endpoints |
考試會怎麼考
Google Cloud Professional Machine Learning Engineer（PMLE，專業機器學習工程師） 證照，2026 年 6 月 1 日起的官方考試指南，第一大區塊「用低程式碼方式打造 AI 方案」明列：要能依商業問題，在 BigQuery ML 或 AutoML 裡選擇分類、迴歸、預測、分群等模型類型。
這類題目通常考兩件事：選對類型、選對評分指標。
看到這些字，就想到這個
| 題目出現的關鍵字 | 想到 |
|---|---|
| 「會不會」「是不是」「流失」「詐欺」「哪一類」 | 分類 |
| 「多少」「價格」「金額」「數量」「幾分鐘」 | 迴歸 |
| 「未來 N 天」「依時間」「季節性」 | 時間序列預測（ARIMA_PLUS） |
| 「大的誤差特別不能接受」「懲罰大失誤」 | RMSE |
| 「資料有離群值」「不想被極端值影響」 | MAE |
| 「預測值範圍很大」「在意相對誤差」 | RMSLE |
| 「機率」「門檻」「調整敏感度」 | 分類的門檻（threshold） |
三個常見陷阱
- 邏輯迴歸是分類：選項寫「用 Logistic Regression 預測房價」，錯，房價是數字要用迴歸
- 數字不一定是迴歸：郵遞區號、產品編號、等級代碼是分類
- 用準確率評迴歸：迴歸沒有「猜對幾成」，看到選項說「用 accuracy 評估房價模型」就是錯的
練習情境（自己出的練習，不是真實考題）
一間連鎖飲料店要預測每家分店明天的珍珠用量，資料在 BigQuery。過去曾經因為少估太多，導致尖峰時段缺貨被客訴，管理層表示「偶爾大幅少估比每天小誤差更不能接受」。該用哪種模型、看哪個指標？
判斷過程：
- 「用量」是數字 → 迴歸
- 資料在 BigQuery → 可以用 BigQuery ML 的
LINEAR_REG或BOOSTED_TREE_REGRESSOR - 「大幅少估更不能接受」→ 要特別懲罰大失誤 → 看 RMSE
如果題目改成「判斷每家分店明天會不會缺貨」，答案只有會／不會，就變成分類。
常見問答
分類和迴歸最大的差別是什麼？
差在答案（標籤）的樣子。答案是幾個固定選項之一，例如會／不會、奶茶／果茶／咖啡，是分類；答案是可大可小的數字，例如 236 杯、1,280 元，是迴歸。兩者都屬於監督式學習。
邏輯迴歸為什麼是分類，不是迴歸？
因為邏輯迴歸內部先算出一個 0 到 1 的機率，這一步的算法跟迴歸很像，所以名字裡有「迴歸」。但它最後會用門檻（預設 0.5）把機率切成「是／否」，交出的答案是類別，所以用途是分類。
MAE 和 RMSE 哪個比較好？
沒有哪個比較好，要看你最怕哪種錯。MAE 把每一點誤差看得一樣重，適合資料有極端值、不想被它帶著走的情況；RMSE 會把大誤差放大，適合「偶爾大失準代價很高」的情況。AutoML 迴歸預設用 RMSE。
RMSE 一定比 MAE 大嗎？
RMSE 一定大於或等於 MAE。兩者相等，代表每筆誤差大小差不多；RMSE 比 MAE 大很多，代表有少數幾筆特別失準。所以兩個一起看，可以判斷誤差是平均分散還是集中在幾次大失誤。
R² 是什麼？0.8 算好嗎？
R²（判定係數）是在比「模型」和「每次都猜平均值」誰比較準。1 是完美，0 代表跟猜平均一樣，負數代表比猜平均還差。0.8 代表比猜平均好很多，但算不算夠好要看產業和用途，沒有統一標準。
預測數字就一定用迴歸嗎？
不一定。郵遞區號、產品編號這種「數字之間不能比大小」的，其實是分類。另外如果是照時間排的數字（每天銷量），通常會用時間序列預測模型，例如 BigQuery ML 的 ARIMA_PLUS。
Vertex AI AutoML 現在叫什麼？
2026 年 4 月 22 日起改名為 AutoML on Gemini Enterprise Agent Platform，所在平台 Vertex AI 改名為 Gemini Enterprise Agent Platform。功能是延續的，舊題庫和舊文章看到 Vertex AI，指的是同一個平台。
重點整理
- 分類：答案是選項（會不會、哪一種）；模型先算機率，再用門檻（預設 0.5）切成答案，基本評分是準確率
- 迴歸：答案是數字（多少、幾杯）；評分看「平均差多少」：MAE、RMSE、R²
- MAE 每一點誤差一樣重；RMSE 特別懲罰大失誤，RMSE 一定 ≥ MAE；R² 跟「猜平均值」比，1 最好
- 判斷「預測差 1 有沒有意義」：郵遞區號這類數字其實是分類
- BigQuery ML 用
model_type和標籤欄位決定是分類還是迴歸；Vertex AI 已改名為 Gemini Enterprise Agent Platform
延伸閱讀
本系列
- 上一篇：機器學習有哪幾種？監督式、非監督式、強化學習一次看懂
- 下一篇：第 3 篇：特徵、標籤、超參數是什麼？機器學習 5 個必懂名詞（撰寫中）
站上相關文章
- BigQuery 不就是查詢嗎？跟資料庫差在哪裡？能做什麼分析？
- iPAS AI 應用規劃師初級認證考試 人工智慧概論 重點整理
- 生成式 AI 是什麼？跟機器學習差在哪裡？
- GCP 學習路徑 Learning Roadmap 和八大關卡
分得清分類和迴歸、看得懂 MAE 和 RMSE，你就能看懂大部分模型評分報告了。如果你想有系統地從雲端基礎一路學到在 GCP 上動手做機器學習，可以看看東東的 GCP 課程，或加 LINE 聊聊你現在的狀況，一起找出最適合你的學習順序。