迷航指南：TensorFlow,XGBoost,Random Forest,KNN,SVM, 與 CMA-ES 的關係

AI 開發的領域時，我們常會被各種名詞轟炸：TensorFlow, Keras, Scikit-learn, XGBoost, CMA-ES... 它們有些是「工具」，有些是「演算法」，有些是「數學概念」。

你是否也有這樣的疑問：

"TensorFlow 是不是只能拿來跑 LSTM？隨機森林跟 XGBoost 是另一掛的嗎？CMA-ES 又是什麼，它算機器學習嗎？"

這篇文章將為您拆解這張 AI 演圖。

1. 深度學習 vs. 傳統機器學習：工具的楚河漢界

首先，回答您的第一個核心問題：TensorFlow 是不是只能用在 LSTM 或 MLP？

主要戰場：類神經網路 (Neural Networks)。包括 MLP (多層感知機), CNN (卷積神經網路), LSTM/Transformer (序列模型)。
為什麼用它：這些模型需要大量的矩陣運算 (Matrix Multiplication) 和自動微分 (Auto-differentiation) 來進行反向傳播 (Backpropagation)。TensorFlow 就是為了這件事而生的。
例外：雖然 TensorFlow 也有 TF Decision Forests 可以跑隨機森林，但在業界慣例中，我們 99% 的情況下 只會用它來跑深度學習模型。

隨機森林 (Random Forest)、KNN (K-Nearest Neighbors)、SVM 等演算法，通常被稱為「傳統機器學習 (Classical Machine Learning)」。

隨機森林 (Random Forest) & KNN：通常使用 Python 的 scikit-learn 套件。
XGBoost / LightGBM / CatBoost：這些是「梯度提升樹 (Gradient Boosting Decision Tree)」的變體。因為太強大且需要極致效能，它們通常由 獨立的套件 提供 (例如 import xgboost)，不隸屬於 TensorFlow，也不完全隸屬於 scikit-learn (雖然介面相容)。

小結：

是的，廣義來說，它們都在 人工智慧 (AI) ➔ 機器學習 (Machine Learning) 的大傘下。

但我們通常會這樣細分：

分類	代表演算法	特性	適用場景 (交易為例)
深度學習 (Deep Learning)	LSTM, MLP, Transformer	黑盒子、參數極多、能自動提取特徵。	預測股價走勢、分析K線圖形、NLP 分析財報新聞。
傳統監督式學習 (Supervised ML)	XGBoost, Random Forest, KNN	可解釋性較高、處理表格資料 (Tabular Data) 強項。	根據 MACD, RSI 等指標預測漲跌機率。
非監督式學習 (Unsupervised ML)	Pattern Matching (特徵空間法), K-Means	沒有標準答案，尋找資料結構。	尋找歷史上相似的 K 線型態 (Pattern Matching)。

CMA-ES (Covariance Matrix Adaptation Evolution Strategy) 的定位比較特殊。

嚴格來說，它屬於 演化計算 (Evolutionary Computation) 或 黑盒最佳化 (Black-box Optimization)，而不是典型的「監督式機器學習」。

機器學習 (ML) 的目標是 「預測 (Prediction)」。
- Input: 歷史數據 $\rightarrow$ Model $\rightarrow$ Output: 明天會漲還是跌？
CMA-ES 的目標是 「搜尋 (Search)」。
- Input: 一個評分標準 (例如：獲利金額) $\rightarrow$ CMA-ES $\rightarrow$ Output: 給出能讓獲利最大化的參數組合。

所以，CMA-ES 算是 ML 嗎？

在廣義的 AI 領域中，它是「最佳化演算法」。但在現代用法中，它常被視為 強化學習 (Reinforcement Learning) 的一種替代方案，或者被歸類為 AI 中的 Search Algorithm。

這才是最精彩的部分。中，這些技術往往是串聯使用的，而不是互斥的。

想像您的交易機器人是一個團隊：