第 10.1 節應用案例。以食品溫度感測資料比較時間序列、傳統機器學習與深度學習模型，目標是預測可能危及食品品質的異常高溫或低溫。
理解感測資料、時間序列預測、模型誤差指標與「整體準確率不等於異常值預測能力」的差異。
Discover Foods 在餐廳儲藏室的不同食品樣本配置感測器，連續蒐集 3 個月溫度資料。每分鐘計算平均溫度並與時間戳記一同儲存。門的開關造成的溫度升降被視為真實現象，因此原書沒有把這些離群值刪除。
| 原書項目 | 數值／內容 |
|---|---|
| 資料蒐集期間 | 3 個月 |
| 彙整頻率 | 每 1 分鐘平均 |
| 自迴歸整合移動平均模型（Autoregressive Integrated Moving Average, ARIMA）參數 | p=1、q=0、d=2 |
| ARIMA 擬合值平均絕對百分比誤差（Mean Absolute Percentage Error, MAPE） | 0.87 |
| ARIMA 擬合值均方誤差（Mean Squared Error, MSE） | 0.38 |
| 季節性自迴歸整合移動平均模型（Seasonal Autoregressive Integrated Moving Average, SARIMA）MAPE | 0.726 |
| SARIMA MSE | 原書文字記載為 776 |
| 最終偏好模型 | 長短期記憶網路（Long Short-Term Memory, LSTM） |
比較 ARIMA、SARIMA、線性迴歸、樹模型、支援向量機與神經網路等方法。模型選擇不只看整體誤差，也要看能否同時預測中央值與高溫／低溫離群值。
原書指出 ARIMA 的 MAPE 為 0.87、MSE 為 0.38；SARIMA 的 MAPE 為 0.726，原書文字將其 MSE 記為 776。原書最後選擇 LSTM，理由是它更能同時捕捉離群值與中央值，而食品安全特別重視可能造成品質惡化的高溫離群值。
若只追求平均誤差最低，可能忽略真正影響食品安全的異常溫度。此案例的管理重點是把模型評估指標與實際風險對齊。
根據原書提供的 ARIMA、SARIMA 與 LSTM 描述，比較「整體誤差」與「高溫離群值預測」兩種評估目標；不得自行修正原書 SARIMA MSE 數字，也不得補造原書表 10.1／10.2 未被文字完整列出的數值。
問題： 若兩個模型整體 MAPE 相近，但其中一個能更準確抓到高溫離群值，食品安全應優先考慮哪一個？
參考解答： 應優先考慮離群值預測較好的模型，因原書明確指出高溫離群值警示比整體準確率更重要。