--- title: "折線圖（Line Chart）" slug: line-chart language: zh-TW source: https://aiterms.tw/learning/what-is-line-chart updated_at: 2026-06-22 tags: [資料視覺化, 統計圖表, 訓練監控, 時序資料, iPAS] ipas_term: false type: deep-dive --- # 折線圖 是什麼？ > 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。 ## 常見問題 ### 折線圖和長條圖應該如何選擇？ 選擇圖表類型的核心問題是：資料的 X 軸是否有意義的連續順序？折線圖適合 X 軸代表連續時間或有序類別（如月份、訓練輪次 Epoch），折線的斜率和走勢本身就傳遞了資訊。長條圖適合 X 軸是離散且無順序的類別（如不同國家、不同模型名稱），各類別之間的先後順序可以任意調換。一個常見錯誤是將類別型資料用折線圖呈現，讓讀者誤以為類別之間有連續的漸變關係。反之，若將明顯有時間序列關係的資料（如每日銷售額）用長條圖呈現，雖然技術上沒有錯誤，但折線圖會更清楚地傳遞趨勢資訊。 ### 在機器學習訓練中，如何從損失曲線折線圖判斷模型狀態？ 損失曲線是診斷模型訓練狀態的核心工具。正常狀態：訓練損失與驗證損失都持續下降，且差距不大，代表模型正在有效學習。過擬合信號：訓練損失繼續下降，但驗證損失在某個 Epoch 後開始上升，說明模型記住了訓練資料的雜訊，需要加入正則化、Dropout 或早停（Early Stopping）。欠擬合信號：訓練損失下降緩慢或停滯在高值，驗證損失也居高不下，可能需要增加模型容量、調整學習率或增加訓練時間。學習率問題：損失曲線劇烈震盪（鋸齒狀），通常是學習率過高；損失曲線幾乎不動，可能是學習率過低或梯度消失。 ### 多條折線圖如何避免讀起來混亂？ 多條折線圖的可讀性關鍵在於視覺層次設計。首先，限制折線數量，一張圖最多 5-7 條折線，超過時應考慮分拆成多個子圖（Facet）或使用互動式圖表讓使用者選擇顯示哪些折線。其次，為每條折線選擇明顯不同的顏色，並在語意上對應（例如用藍色代表訓練集、橙色代表驗證集）。若圖表需要黑白列印，可加入不同線條樣式（實線、虛線、點線）作為區別。第三，圖例位置應放在不遮蔽資料的位置，或直接在折線末端標注名稱（Direct Labeling），讓讀者不必往返查閱圖例。若某條折線是主要關注對象，可加粗其線條，讓其他折線變細變淡作為背景。 --- 深度解說頁：https://aiterms.tw/learning/what-is-line-chart 快查頁：https://aiterms.tw/terms/line-chart 最後更新：2026/06/22