Page 103 - 36-1

NTU Management Review Vol. 36 No. 1 Apr. 2026

附錄 A

限於樣本觀察值，本研究採用相對簡單的神經網路結構。Goodfellow, Bengio,
and Courville (2016) 強調在資料量受限下，應以「簡化模型結構＋交叉驗證＋參數
調整」為核心策略，以避免過擬合 (Overfitting) 與結果不穩定性；此外，在資料量

有限時，優先調整隱藏層大小 (Hidden Size) 與學習率 (Learning Rate) 等基礎參數，
較能有效改善模型性能，且避免過度依賴複雜結構。這個過程不僅幫助本研究找到
最佳的模型配置，也使本研究深入理解模型對這些參數的敏感程度。具體而言 :
1. 隱藏層大小分析：
(1) 本研究測試一系列的隱藏層大小值，包括 8、12、16、24、48、96 等。
(2) 這個範圍使本研究能夠評估模型複雜度與性能之間的權衡。
2. 學習率優化：

(1) 本研究嘗試多個學習率，包括 0.00005, 0.0001, 0.0005, 0.001, 0.005 等。
(2) 這種廣泛的搜索使本研究能夠找到最佳的學習動態，平衡收斂速度和穩定
性。
3. 綜合評估：
(1) 對每種配置，本研究都計算 MAPE 和 RMSE，以全面評估模型性能。
(2) 透過這個過程，本研究發現當隱藏層大小為 12，學習率為 0.0001 時，能夠
在 MAPE (117) 和 RMSE (201,061) 兩個指標的平均值上都達到最優表現。如
下表所示：
測試組別 學習率 隱藏層大小 MAPE 平均 RMSE 平均 表現評估
學習率測試
組合 1 0.00005 12 149 204,082 一般
組合 2 0.0001 12 117 201,061 最佳
組合 3 0.0005 12 144 200,650 一般
組合 4 0.001 12 212 211,253 較差
組合 5 0.005 12 179 204,884 較差
隱藏層大小測試
組合 6 0.0001 3 130 200,711 良好
組合 7 0.0001 6 130 199,842 良好
組合 8 0.0001 12 117 201,061 最佳
組合 9 0.0001 24 133 203,269 一般
組合 10 0.0001 48 149 200,064 一般
組合 11 0.0001 96 172 198,431 較差

95