Page 67 - 36-1

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

1
神經網路 。根據實驗結果分析，本研究經過多組參數測試後，觀察到幾個重要規律：
學習率 (Learning Rate) 若大於 0.001 會導致預測效果明顯下降；隱藏層大小 (Hidden
Size) 超過24也會使模型表現變差；而適中的參數設置（隱藏層大小 = 12, lr = 0.0001）
能達到最佳平衡。基於這些觀察，確定最適組合如下：在資料處理方面，採用視窗
大小 (Window Size) 為 5 的滑動窗口，並以 2 : 1 : 3 的比例將資料分割為訓練集、驗

證集和測試集。這樣的分割方式既確保足夠的訓練數據，也保留適當的測試樣本以
驗證模型效果。在神經網路架構設計上，選用較為簡單的雙層神經網路結構，隱藏
層大小設定為 12，這個規模既不會造成模型過於複雜，又能保持足夠的學習能力。
實驗結果顯示，當隱藏層大小超過 24 時，模型的表現會明顯變差，驗證較簡單的
網路結構在本研究情境下更為適合。考慮到資料量較小（504 筆），選用較小的批
次大小 (Batch Size) 為 16，這有助於模型更好地學習數據特徵。在訓練參數方面，
採用較小的學習率 0.0001，避免模型在訓練過程中發生過度擬合。實驗證實，當學

習率大於 0.001 時，預測效果會明顯下降。此最佳組合參數設定不僅達到最低的預
測誤差，同時也維持良好的模型穩定性和泛化能力，是一個兼顧準確度和實用性的
最佳組合。
此外，本研究亦引入 XGBoost 模型，旨在進一步比較其與神經網路在預測能力
上的表現差異。本研究分別針對全部樣本（共 1,500 筆），並透過調整超參數組合
進行模型訓練與驗證。所設定之超參數包括：學習率（0.1、0.2）、決策樹深度（3、
4、5）、樣本取樣比例（0.8、1.0）、L1 正則化強度（0.1、0.2）、以及 L2 正則化
強度（0.1、0.2）。透過十折交叉驗證（訓練集：驗證集：測試集 = 81 : 9 : 1），最
終獲得最佳模型組合為：學習率 0.1、樹深度 4、樣本比例 0.8、L1 正則化 0.1、L2

正則化 0.1。
透過這個完整的估算框架，本研究結合 AVM 系統的細緻數據、合理的預測方
法和適當的評估指標，建立一個既考慮理論基礎又符合實務需求的 PLCV 估算方法。
這種方法不僅可以準確估算產品的生命週期價值，也為企業的產品管理決策提供可
靠的參考依據。

四、變數定義與衡量

對於本研究探討產品績效如何受人口統計變數影響的實證研究部分，本節對於
模型之變數進行定義及衡量。消費者行為為消費者決定之總和，反映人類對產品、

1 有關神經網路模型之架構選擇與關鍵參數（如隱藏層大小與學習率）之敏感性分析結果，請參
見附錄 A。該附錄詳細說明本研究如何在樣本數受限情況下，透過系統性測試與評估程序，尋
求最適化模型設定，以提升預測準確度與穩定性。

59