洗錢偵測系統，應該用哪種機器學習方法？
某商業銀行想建立洗錢行為檢測系統，擁有過去 5 年的交易記錄，其中包含已確認的洗錢案例（標記為「異常」）和正常交易（標記為「正常」）。銀行希望系統能自動識別新交易是否為洗錢行為，請問使用下列哪一種機器學習方法最為適合？
某商業銀行有過去 5 年的交易記錄，每筆都已標記為「異常」（洗錢）或「正常」，想建立一套系統，自動判斷新進交易是否屬於洗錢行為。
問你：要建立這套自動識別洗錢行為的系統，最適合哪一種機器學習方法？
一句話總結
有標籤、要分類新資料，就是監督式學習的分類問題，這是最直接的對應。
先感受問題：有歷史紀錄，也有答案，怎麼讓模型學？
假設「兆豐銀行」的合規部門花了 5 年時間，把每一筆懷疑洗錢的交易送去人工調查，最後確認 4,200 筆是真正的洗錢案例，其餘 3,800 萬筆是正常交易。
每一筆交易都有：交易金額、交易時間、對手帳戶、跨境與否、當天交易次數等 40 個特徵，以及一個標籤：「洗錢」或「正常」。
合規長說：「我要一個系統，每當有新交易進來，就自動判斷它是不是洗錢。」
你手上有：資料（40 個特徵）+ 答案（標籤）+ 任務（判斷新交易屬於哪類）。
這就是監督式學習分類問題的標準描述：用有答案的歷史資料訓練模型，讓模型學會判斷新資料。
不用監督式學習，還有哪些方法，局限在哪
其他方法在這個場景下會遇到根本問題：
- 規則引擎：寫死閾值（「單筆超過 100 萬就警示」），但洗錢手法不斷演化，今天的規則明天就失效，維護成本極高
- 非監督分群：沒有標籤時可以把交易分成幾個「行為模式群」，但不知道哪群是洗錢，無法直接輸出「是/不是」的判斷
- 強化式學習：需要即時環境回饋（每次決策後知道對不對），洗錢確認往往要幾個月調查，無法即時給回饋
- 關聯規則挖掘：找「常一起出現的行為」（如「A 帳戶匯款給 B，B 同天又匯給 C」），可以找出關聯模式，但無法直接給每筆交易一個「是/否」的判斷
- 浪費已有的標籤資訊：「兆豐銀行」花了 5 年人工標了 3,800 萬筆資料，不用這些標籤，改用非監督方法，等於把最有價值的資產扔掉
監督式學習分類怎麼處理洗錢偵測
「兆豐銀行」用這 3,800 萬筆有標籤的資料訓練一個分類模型：
輸入：40 個交易特徵（金額、時間、對手帳戶、跨境標記等）
輸出：「洗錢（1）」或「正常（0）」加上機率分數（例如「這筆交易有 87% 的機率是洗錢」）
訓練過程：模型看過所有歷史案例，學習「哪些特徵組合在確認洗錢的案例中出現頻率高」，建立判斷規則。
系統上線後，每筆新交易進來，模型立刻算出分數。超過閾值的案例自動送給人工複核，明顯正常的則通過。
這就是選項 A 的意思：監督式學習的分類問題：用有標籤的資料訓練模型，對新的未標籤資料做分類預測。
技術版：監督式學習四種方法的選題邏輯
機器學習三大類的選題框架：有標籤 + 要分類/回歸 → 監督式學習；沒有標籤 + 要找結構/模式 → 非監督式學習；有環境 + 要優化策略 → 強化式學習。這個框架是考試選題和實務選型的核心邏輯。
分類 vs 迴歸的差異：分類輸出是類別（是/否、A/B/C），迴歸輸出是數值（價格、機率）。洗錢偵測輸出「是否洗錢」是類別，所以是分類問題。但很多分類模型也會輸出機率，讓業務可以設定不同閾值調整召回率和精確率。
洗錢偵測的類別不平衡問題：4,200 筆洗錢 vs 3,800 萬筆正常，比例約 1:9000，是嚴重的類別不平衡。這個問題雖然不影響「選監督式學習分類」的判斷，但在實際開發時需要用 SMOTE（過採樣）、欠採樣或調整損失函數等技術處理。
為什麼出題者要考這題：監督/非監督/強化的分類是考試基礎題必考項目，但出題者刻意加上「5 年紀錄」「已確認的案例」「標記為異常/正常」等情境，測試考生能不能從情境描述中識別出「有標籤 + 要分類」的訊號。
為什麼其他選項是錯的
B非監督式學習的分群問題
把交易資料自動分成幾個群組，找出群組之間的差異。
非監督式分群不使用標籤，它自己找資料的自然分組。但題目已經有「洗錢/正常」的標籤，使用非監督分群等於完全浪費這些標籤，模型無法直接輸出「這筆是洗錢嗎」的判斷。分群適合沒有標籤的場景，這個場景有標籤就不應該用分群。
直覺上覺得「把洗錢交易和正常交易分開」就是分群的人。分群是讓模型自己找類別，分類是告訴模型類別是什麼，訓練它學判斷。有了標籤就用分類，沒有標籤才用分群。
C強化式學習
讓 AI 在環境中試錯，根據獎勵和懲罰學習最佳策略。
強化式學習需要一個環境，每次決策後立刻得到回饋（這個動作好還是不好）。洗錢確認是幾個月的調查流程，無法在交易發生的當下給出即時回饋。另外，強化式學習適合的是「連續決策優化」（如下棋、機器人控制），而非「靜態資料集分類」。
以為「AI 自動判斷」就是強化學習的人。強化學習是透過與環境互動學習策略，不是從靜態資料集訓練分類器。
D非監督式學習的關聯規則挖掘
找出交易行為之間的關聯模式（如「做 X 的人通常也做 Y」）。
關聯規則挖掘（如 Apriori 算法）用於發現「共現模式」，例如超市購物籃分析。它無法直接對每筆交易做「是/否」的分類輸出，也是非監督方法，同樣浪費了題目提供的標籤資訊。
想到「洗錢通常有固定模式」就選關聯規則的人。「模式」不等於「關聯規則」，監督式分類也能學到洗錢模式，而且因為有標籤所以更精準。
同個考點下次怎麼變形
如果銀行只有交易紀錄、沒有任何洗錢標籤，應該改用什麼方法？
沒有標籤，監督式學習就用不了，怎麼辦？
應該改用非監督式異常偵測，例如 Isolation Forest 或 Autoencoder。這些方法學習「正常交易的模式」，與正常模式差異大的就標記為可疑。雖然精準度通常不如有標籤的監督式學習，但在完全沒有標籤的情況下是可行的起點。
監督式學習的分類和迴歸，最主要的差別是什麼？
兩個都是監督式學習，有什麼不一樣？
分類的輸出是離散類別：是/否、貓/狗/鳥、A/B/C 等。迴歸的輸出是連續數值：明天的股價、房子的估值、下個月的銷售額。洗錢偵測輸出「是或否」，是分類；預測違約金額輸出「數字」，是迴歸。
什麼情境下，強化式學習比監督式學習更適合？
強化式學習是什麼場景的首選？
強化式學習適合：需要連續決策（每個決策影響後續狀態）、有明確的獎勵機制、可以快速得到環境回饋的場景。典型例子：下棋（每一步都影響棋局，結果立刻知道）、機器人控制（每個動作後立刻感知新狀態）、廣告投放優化（每次點擊提供即時回饋）。靜態資料集的分類問題通常不適合強化學習。
洗錢偵測中，召回率（Recall）和精確率（Precision）哪個更重要？
模型要同時很準又不漏網，但這兩個通常有取捨。
金融犯罪偵測通常召回率（Recall）更重要：漏掉一筆真正的洗錢（假陰性）的代價，遠大於誤報一筆正常交易（假陽性）。銀行寧可讓合規人員多審查幾筆誤報，也不願意讓真正的洗錢溜走。具體閾值設定由業務決策，不是技術決定。
非監督式分群可以用來輔助洗錢偵測嗎？
分群不適合做直接偵測，那它完全沒用嗎？
分群可以作為前期探索工具：在沒有足夠標籤之前，先用分群找出「異常的行為群體」，再由人工審查這些群體，確認哪些是洗錢，建立初步標籤庫。之後有了標籤，再轉為監督式分類。分群是建立標籤的輔助手段，不是最終的偵測方法。
想再往下看，這 5 個
- 監督式學習（Supervised Learning）用有標籤資料訓練模型學習輸入到輸出映射，有標籤且要預測新資料時的首選方法
- 反洗錢人工智慧（Anti-Money Laundering AI）金融業用 AI 自動識別可疑洗錢交易的應用，監督式分類模型是其核心技術路徑
- 詐欺偵測（Fraud Detection）與洗錢偵測同屬金融異常識別問題，同樣需要有標籤的歷史案例來訓練監督式分類模型
- 非監督式學習（Unsupervised Learning）無需標籤的學習方法，適用於無歷史案例標記時，與本題已有標籤的情境相對，是常見干擾選項
- 資料不平衡（Data Imbalance）洗錢案例遠少於正常交易造成的訓練困難，監督式模型部署前需處理樣本不平衡以避免偏向多數類