折線圖 是什麼？
Line Chart：折線圖 的完整解釋
以連續折線呈現資料隨時間或有序類別變化趨勢的統計圖表，是資料視覺化的基礎工具。
折線圖（Line Chart）是資料視覺化（Data Visualization）的核心工具之一，以笛卡兒座標系為基礎，將資料點按照橫軸（通常為時間或有序類別）的順序依次繪製，並以直線段連接相鄰資料點，形成折線。透過折線的走勢，讀者可以直觀地判斷數值的上升、下降、震盪或趨於穩定等模式，是呈現時序資料（Time Series Data）最自然的視覺化方式。
折線圖最大的優勢在於清晰呈現「趨勢」與「變化率」。斜率越陡代表變化越快，斜率越平代表變化趨緩或穩定。多條折線同時繪製可以進行比較分析，例如比較多個模型的訓練損失曲線、或比較不同地區的銷售趨勢，讓讀者可以直接觀察不同系列之間的交叉點（趨勢反轉的時機）與差距。
在機器學習的訓練流程中，折線圖應用無所不在。最典型的是訓練損失曲線（Training Loss Curve）與驗證損失曲線（Validation Loss Curve）的雙折線圖，讓工程師能夠診斷訓練狀態。若訓練損失持續下降但驗證損失在某個 Epoch 後開始上升，形成「剪刀差」形狀，說明模型出現過擬合（Overfitting），需要加入正則化（Regularization）、Dropout 或提早終止（Early Stopping）。若兩條曲線都居高不下且下降緩慢，說明模型欠擬合（Underfitting），可能需要增加模型容量或延長訓練時間。
在模型監控中，折線圖用於追蹤模型效能指標（如準確率、F1 分數、AUC）隨時間的變化。若某個時間點後模型效能明顯下滑，可能暗示資料漂移（Data Drift）或概念漂移（Concept Drift）的發生，提醒工程師重新評估和更新模型。
折線圖與其他圖表類型的比較：相較於長條圖（Bar Chart），折線圖更適合時間序列資料和需要強調變化趨勢的場景，長條圖則更適合比較離散類別的數量。相較於散點圖（Scatter Plot），折線圖假設 X 軸有明確的順序（如時間），散點圖則適合探索兩個連續變數之間的相關性，不強調順序。相較於面積圖（Area Chart），折線圖可以在同一張圖上放置多條折線而不相互遮蔽，而面積圖適合強調累積量或佔比。
在製作折線圖時，有幾個常見的設計原則需要遵守。橫軸間距應均勻，若時間軸間距不一致而強行等距排列，會誤導讀者對變化速率的判斷。線條顏色與粗細應有層次，重要的折線用較深較粗的顏色，輔助折線用較淡較細。Y 軸的起始點應謹慎設定，從 0 開始通常更誠實，但若所有資料點都在高數值區間，截斷 Y 軸並清楚標明可以讓細微變化更清晰。當多條折線交叉頻繁時，可以考慮使用分面圖（Facet Plot）將各折線分開呈現。
在 Python 的資料分析生態中，Matplotlib 的 plt.plot()、Seaborn 的 sns.lineplot()、以及 Plotly 的 px.line() 都可以快速繪製折線圖。Plotly 支援互動式折線圖，使用者可以縮放、懸停查看具體數值，在資料探索與報告呈現中非常有用。TensorBoard 也內建了折線圖功能，是機器學習訓練過程中最常見的損失曲線視覺化工具。
在 iPAS 考試中，折線圖相關題目通常考察考生是否能正確選擇適合資料類型的圖表（時序資料選折線圖而非長條圖），以及如何從折線圖中正確解讀訓練趨勢、診斷過擬合與欠擬合，以及識別模型效能下滑的時間點。 折線圖（Line Chart）是資料視覺化的基礎圖表類型之一，透過連接有序資料點的線段呈現數值隨時間或順序維度的變化趨勢，廣泛應用於機器學習的訓練過程監控和性能分析。
在機器學習工作流中，折線圖是最常用的訓練監控工具。訓練損失曲線和驗證損失曲線是深度學習中的標準診斷圖：兩條曲線同步下降表示正常訓練；驗證損失在訓練損失繼續下降時開始上升，是過擬合的視覺警訊；訓練初期損失不降反升可能表示學習率設定過高。
學習曲線分析（Learning Curve Analysis）使用折線圖呈現模型性能如何隨訓練樣本數量變化，幫助判斷模型是否能從更多資料中受益。典型的學習曲線包含兩條折線：訓練集性能和驗證集性能；若兩者之間差距大，說明高方差（需要更多資料或更強正則化）；若兩者都停滯在低性能，說明高偏差（需要更複雜模型）。
在時間序列預測任務中，折線圖是最自然的結果呈現方式：預測值曲線疊加在真實值曲線上，讓使用者直觀評估預測誤差的大小和模式（是否存在系統性偏差、是否能捕捉到峰值）。
超參數搜尋中，折線圖呈現不同超參數值（如學習率、正則化強度）對驗證性能的影響，協助工程師選擇最佳超參數範圍進行精細搜尋。Matplotlib、Seaborn、Plotly 等 Python 視覺化套件都能輕鬆生成互動式折線圖，支援縮放、懸停標注等功能，方便深度分析。