Page 104 - 36-1

Integrating Artificial Intelligence into Product Life Cycle Value and Activity Value Management: A Case Study
of P Channel Agent

在評估模型表現時，本研究需要綜合考慮多個指標。以這個案例來說：
1. MAPE vs. RMSE 的權衡：
． MAPE：最佳組合達到最低值（平均 117）。
． RMSE：雖然不是最低（平均 201,061），但與最低值（組合 11：平均
198,431）的差異相對較小（約 1.3%）。

2. 指標解釋：
． MAPE 反映的是相對誤差，更適合評估跨不同尺度的預測表現。
． RMSE 反映的是絕對誤差，對大誤差更敏感。
3. 選擇建議：
． 主要考慮 MAPE 作為評估標準，因為它能更好地反映預測的相對準確性。
． RMSE 的些微差異 (1.3%) 可以接受，特別是在獲得顯著更好的 MAPE 表
現的情況下。

． 組合 11 雖然 RMSE 最低，但其 MAPE 明顯較高（平均 172），顯示整體
預測效果不如最佳組合。
4. 綜合評估：
． 最佳組合在 MAPE 上的優勢（相較其他組合）大於在 RMSE 上的劣勢。
． 這種權衡主要是考量提供較好的整體預測準確度。
因此，雖然最佳組合的 RMSE 不是最低，但考慮到它在 MAPE 上的顯著優勢和
RMSE 的可接受水平，仍然是最合適的選擇。
根據實驗的結果所觀察到的規律：
1. Learning Rate 太大 (> 0.001) 會導致預測效果明顯下降

2. Hidden Size 太大 (> 24) 也會使模型表現變差
3. 適中的參數設置 (Hidden Size = 12, lr = 0.0001) 能達到最佳平衡
透過這些敏感性分析，本研究努力在有限的數據條件下，最大化模型的性能和
研究的嚴謹性。雖然本研究的模型結構相對簡單，但這種全面且系統的方法使本研
究能夠充分利用現有數據，並為未來可能的樣本擴展奠定基礎。

96