本文是對的補充

前文對隨機森林的概念、工作原理、使用方法做了簡單介紹，並提供了分類和回歸的實例。
本期我們重點講一下：
1、集成學習、Bagging和隨機森林概念及相互關係
2、隨機森林參數解釋及設置建議
3、隨機森林模型調參實戰
4、隨機森林模型優缺點總結

集成學習、Bagging和隨機森林

集成學習

集成學習並不是一個單獨的機器學習算法，它通過將多個基學習器（弱學習器）進行結合，最終獲得一個強學習器。這裏的弱學習器應該具有一定的準確性，並且要有多樣性（學習器之間具有差異），比較常用的基學習器有決策樹和神經網絡。

集成學習的核心就是如何產生並結合好而不同的基學習器，這裡有兩種方式是，一種是Bagging，基學習器之間沒有強依賴關係，可同時生成的并行化方法。一種是Boosting，基學習器之間有強依賴關係，必須串行生成。
集成學習另一個關鍵問題是結合策略，主要有平均法、投票法和學習法，這裏不再展開。

Bagging

Bagging是Bootstrap AGGregaING的縮寫，Bootstrap即隨機採樣，比如給定含有$m$個樣本的數據集$D$，每次隨機的從中選擇一個樣本，放入新的數據集，然後將其放回初始數據集$D$，放回後有可能繼續被採集到，重複這個動作$m$次，我們就得到新的數據集$D’$。

用這種方式，我們可以採樣出TGE含m個訓練樣本的採樣集，然後基於每個採樣集訓練基學習器，再將基學習器進行結合，這便是Bagging的基本流程。

隨機森林
隨機森林是非常具有代表性的Bagging集成算法，它在Bagging基礎上進行了強化。
它的所有基學習器都是CART決策樹，傳統決策樹在選擇劃分屬性時是在當前結點的屬性集合（假定有d個屬性）中選擇最優屬性。但是隨機森林的決策樹，現在每個結點的屬性集合隨機選擇部分k個屬性的子集，然後在子集中選擇一個最優的特徵來做決策樹的左右子樹劃分,一般建議$k=log_2d$.分類決策樹組成的森林就叫做隨機森林分類器，回歸決策樹所集成的森林就叫做隨機森林回歸器。

RF的算法：

輸入為樣本集$D={(x_,y_1),(x_2,y_2), …(x_m,y_m)}$，弱分類器迭代次數T。

輸出為最終的強分類器$f(x)$

1）對於t=1,2…,T:
a)對訓練集進行第t次隨機採樣，共採集m次，得到包含m個樣本的採樣集Dt
b)用採樣集$D_t$訓練第t個決策樹模型$G_t(x)$，在訓練決策樹模型的節點的時候， 在節點上所有的樣本特徵中選擇一部分樣本特徵， 在這些隨機選擇的部分樣本特徵中選擇一個最優的特徵來做決策樹的左右子樹劃分

2)如果是分類算法預測，則T個弱學習器投出最多票數的類別或者類別之一為最終類別。如果是回歸算法，T個弱學習器得到的回歸結果進行算術平均得到的值為最終的模型輸出。

隨機森林參數解釋及設置建議

在scikit-learn中，RandomForest的分類類是RandomForestClassifier，回歸類是RandomForestRegressor，需要調參的參數包括兩部分，第一部分是Bagging框架的參數，第二部分是CART決策樹的參數。這裏我們看一下scikit-learn中隨機森林的主要參數

隨機森林模型調參實戰

這是一道kaggle上的題目,通過信用卡交易記錄數據對欺詐行為進行預測,信用卡欺詐檢測文件記錄了2013年9月歐洲信用卡持有者所發生的交易。在284807條交易記錄中共包含492條欺詐記錄。
數據集下載地址：請在公眾號後台回復[56]
需要說明的是，本文重點是RF模型調參，所以不涉及數據預處理、特徵工程和模型融合的內容，這些我會在本欄目未來的章節中再做介紹。
所以最終結果可能會不理想，這裏我們只關注通過調參給模型帶來的性能提升和加深對重要參數的理解即可。
1、導入用到的包

import numpy as np
import pandas as pd
from sklearn.model_selection import GridSearchCV,train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import roc_auc_score

2、導入數據

df = pd.read_csv("D:\WKS\PyProject\Credit_Card\creditcard.csv")
data=df.iloc[:,1:31]

284807條交易記錄中只有492條欺詐記錄，樣本嚴重不平衡，這裏我們需要使用下採樣策略（減少多數類使其數量與少數類相同）

X = data.loc[:, data.columns != 'Class']
y = data.loc[:, data.columns == 'Class']

number_records_fraud = len(data[data.Class == 1]) # class=1的樣本函數
fraud_indices = np.array(data[data.Class == 1].index) # 樣本等於1的索引值

normal_indices = data[data.Class == 0].index # 樣本等於0的索引值

random_normal_indices = np.random.choice(normal_indices,number_records_fraud,replace = False)
random_normal_indices = np.array(random_normal_indices)

under_sample_indices = np.concatenate([fraud_indices,random_normal_indices]) # Appending the 2 indices

under_sample_data = data.iloc[under_sample_indices,:] # Under sample dataset

X_undersample = under_sample_data.loc[:,under_sample_data.columns != 'Class']
y_undersample = under_sample_data.loc[:,under_sample_data.columns == 'Class']

X_train, X_test, y_train, y_test = train_test_split(X_undersample,y_undersample,test_size = 0.3, random_state = 0)

先用默認參數訓練RF

rf0 = RandomForestClassifier(oob_score=True, random_state=666)
rf0.fit(X_train,y_train)
print(rf0.oob_score_)
y_predprob = rf0.predict_proba(X_test)[:,1]
print("AUC Score (Train): %f" % roc_auc_score(y_test, y_predprob))

0.9244186046511628
AUC Score (Train): 0.967082
除oob_score將默認的False改為True, 我們重點優化n_estimators、max_depth、min_samples_leaf 這三個參數。為簡單起見，模型評價指標，我們選擇AUC值。
模型調優我們採用網格搜索調優參數（grid search），通過構建參數候選集合，然後網格搜索會窮舉各種參數組合，根據設定評定的評分機制找到最好的那一組設置。
先優化n_estimators

param_test1 = {'n_estimators':range(10,101,10)}
gsearch1 = GridSearchCV(estimator = RandomForestClassifier(oob_score=True, random_state=666,n_jobs=2), 
                       param_grid = param_test1, scoring='roc_auc',cv=5)
gsearch1.fit(X_train,y_train)
gsearch1.cv_results_, gsearch1.best_params_, gsearch1.best_score_

{‘n_estimators’: 50},
0.9799524239675649)
在優化后的n_estimators基礎上，優化max_features

param_test2 = {'max_depth':range(2,12,2)}
gsearch2 = GridSearchCV(estimator = RandomForestClassifier(n_estimators= 50,oob_score=True, random_state=666,n_jobs=2),
   param_grid = param_test2, scoring='roc_auc',cv=5)
gsearch2.fit(X_train,y_train)
gsearch2.cv_results_, gsearch2.best_params_, gsearch2.best_score_

{‘max_depth’: 6},
0.9809897227343921)
在上述兩個參數優化結果的基礎上優化max_depth

param_test2 = {'min_samples_split':range(2,8,1)}
gsearch2 = GridSearchCV(estimator = RandomForestClassifier(n_estimators= 50,max_depth=6,
                                  oob_score=True, random_state=666,n_jobs=2),
   param_grid = param_test2, scoring='roc_auc',cv=5)
gsearch2.fit(X_train,y_train)
gsearch2.cv_results_, gsearch2.best_params_, gsearch2.best_score_

{‘min_samples_split’: 5},
0.9819618127837587)

最後我們綜合再次嘗試

rf1 = RandomForestClassifier(n_estimators= 50,max_depth=6,min_samples_split=5,oob_score=True, random_state=666,n_jobs=2)
rf1.fit(X_train,y_train)
print(rf1.oob_score_)
y_predprob1 = rf1.predict_proba(X_test)[:,1]
print("AUC Score (Train): %f" % roc_auc_score(y_test, y_predprob1))

0.9331395348837209
AUC Score (Train): 0.977811
最終結果比調參前有所提升

隨機森林優缺點總結

RF優點
1.不容易出現過擬合，因為選擇訓練樣本的時候就不是全部樣本。
2.可以既可以處理屬性為離散值的量，比如ID3算法來構造樹，也可以處理屬性為連續值的量，比如C4.5算法來構造樹。
3.對於高維數據集的處理能力令人興奮，它可以處理成千上萬的輸入變量，並確定最重要的變量，因此被認為是一個不錯的降維方法。此外，該模型能夠輸出變量的重要性程度，這是一個非常便利的功能。
4.分類不平衡的情況時，隨機森林能夠提供平衡數據集誤差的有效方法
RF缺點
1.隨機森林在解決回歸問題時並沒有像它在分類中表現的那麼好，這是因為它並不能給出一個連續型的輸出。當進行回歸時，隨機森林不能夠作出超越訓練集數據範圍的預測，這可能導致在對某些還有特定噪聲的數據進行建模時出現過度擬合。
2.對於許多統計建模者來說，隨機森林給人的感覺像是一個黑盒子——你幾乎無法控制模型內部的運行，只能在不同的參數和隨機種子之間進行嘗試。

參考：

https://www.jianshu.com/p/708dff71df3a
https://zhuanlan.zhihu.com/p/30461746
https://www.cnblogs.com/pinard/p/6156009.html

《百面機器學習》中有一道關於隨機森林的面試題，大家可以思考一下：
可否將隨機森林中的基分類器由決策樹替換為線性分類器或K-近鄰呢？

解答：隨機森林屬於Bagging類的集成學習，Bagging的主要好處是集成后的分類器的方差比基分類器方差小。Bagging採用的分類器最好是本身對樣本分佈比較敏感（即不穩定的分類器），這樣Bagging才有價值。線性分類器或K-近鄰都是比較穩定，本身方差就很小，所以以他們作為基分類器使用Bagging並不能獲得更好地表現，甚至可能因為Bagging的採樣導致訓練中更難收斂，從而增大集成分類器的偏差。

本文由博客一文多發平台 發布！

本站聲明:網站內容來源於博客園,如有侵權,請聯繫我們,我們將及時處理【其他文章推薦】

※如何讓商品強力曝光呢? 網頁設計公司幫您建置最吸引人的網站，提高曝光率!!

※網頁設計一頭霧水??該從何著手呢? 找到專業技術的網頁設計公司，幫您輕鬆架站!

※想知道最厲害的台北網頁設計公司推薦、台中網頁設計公司推薦專業設計師”嚨底家”!!

據報導，主打新能源綠色通行領域的斑馬快跑已於近期完成新一輪融資，總金額達1.5億並已全部到賬，多氟多集團旗下博嘉創投獨家投資。資方多氟多集團是鋰電池材料方面的知名企業，將在資源上給予斑馬快跑更多支援。斑馬快跑CEO李佳表示斑馬快跑將繼續深耕新能源綠色通行領域，按照“新能源商用車+新能源乘用車+充電樁”的思路，進行新能源綠色通行全產業鏈佈局。  
  今年3月底，斑馬快跑互聯網+新能源綠色通行大巴項目從武漢啟動，切入了巴士出行的蛋糕。李佳說，斑馬巴士免費運營3個月以後，斑馬紋已經給當地社會帶來了品牌效應，並且上座率也實現了98%，新的盈利點破局。據悉，本月斑馬快跑即將上線第一批七座乘用車並將在年底鋪開。    關於以後發展方向，斑馬快跑希望能做最大的新能源車輛運營商，打造車、樁、網的“斑馬雲”，做成武漢這座城市的互聯網名片。日前，定制物流車型“東風斑馬”已由工信部《道路機動車輛生產企業及產品公告》車輛新產品公示發佈，斑馬快跑迎來又一個里程碑，讓車輛從一出廠即將帶有斑馬紋。   文章來源：CNEV-H

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※如何讓商品強力曝光呢? 網頁設計公司幫您建置最吸引人的網站，提高曝光率!!

※網頁設計一頭霧水??該從何著手呢? 找到專業技術的網頁設計公司，幫您輕鬆架站!

※想知道最厲害的台北網頁設計公司推薦、台中網頁設計公司推薦專業設計師”嚨底家”!!

極致動力引爆熱血，在追求極限的領域裡，電動跑車無疑是這幾年最可怕的終極武器。撇開那些有錢也買不到的車款，我們列出了市面上五款能夠上路，而且已經或即將量產的電動跑車，一起來看看他們各自的獨特魅力。

市售電動跑車比較表（科技新報製圖）

2019 年，兩家傳統跑車廠正式推出了首款純電動車，將要挑戰特斯拉在這個市場上的霸主地位，分別是德國保時捷和英國蓮花，20 世紀三大跑車廠，如今只剩下法拉利還沒有推出電動車。上週這隻義大利神駒宣布，他們在 2025 年前都沒有打算推出電動跑車，看來短期內我們不用再修改比較表了。

此外，Model S 跟 Model X（數據皆為 Performance 版）雖然不能算是跑車，但因為其兇猛的加速力，堪比市面上燃油超跑，也恰好符合我們的定義，因此這台轎車跟休旅車就跟著上榜了。

世界最快的電動車：Tesla Roadster 2020

這個稱號很有 Elon Musk 的狂人風格，讓我們一起來看看這台現代神獸的官方數據吧。

Tesla Roadster 2020 是該車型的第二代，台灣定價 750 萬。（圖片來源：）

根據特斯拉官方說法，Roadster 2020 會有兩種版本，基本款的 0 到 100 公里加速時間，是 2.1 秒；而高階版本，將會採用 SpaceX 的火箭噴射技術，讓他的零百加速時間，只有 1.9 秒，成為地表最快的車。

目前世界上的超級跑車家族，像是法拉利、保時捷、藍寶堅尼和 Bugatti，大部分的加速時間都在 2.4 到 2.6 秒左右，所以無論你購買的是哪一個版本的 Roadster，起步都會比現有的超級跑車還要快。此外，2020 Roadster 油門催到底的極速來到每小時 400 公里，如果有一條完美的道路讓它盡情奔馳，它可以把台灣高鐵甩開好幾條街去。

這個數據在市售電動車來說，完全可以打遍天下無敵手，然而目前這些數據都是特斯拉官方提供的，尚未經過其他單位的測試驗證，正式上市之後會不會縮水沒人能保證。但比起世界上許多發表完就胎死腹中的電動超跑，至少 Roadster 2020 跳票的機率是很低的。畢竟，特斯拉已經收了客戶每台車 5,000 美元的預購金，如果出包後果可不得了。

除了速度之外，新版的 Roadster 官方提供的續航力高達 970 公里，在市售電動車中排名第一，當然售價也不便宜，基本款從 20 萬美元起跳，高階版更是從 25 萬美元起價（台灣預購價為 750 萬新台幣）。

血統純正的電動超跑：Lotus Evija

自從特斯拉打響了電動車高性能的名聲後，每年都會有所謂的「電動超跑」出現，他們都有著神似阿斯拉的外型，以及驚人的性能數據，同時還有動輒千萬元的身價，然而多數都沒能夠真正的交車。

英國跑車經典品牌蓮花（Lotus），在今年正式宣告了首款電動超跑開始接受預購，並將於 2020 年開始交車，全球限量 130 輛，根據中國媒體報導，中國只有 5 台配額，而台灣則由代理商接單，並沒有公開獲得多少配額。

Lotus Evija 車尾空氣動力設計，成為獨樹一格的標誌。（圖片來源：）

配備世界最猛的 1,972 馬力，讓這台車就是一台安靜的野獸，根據他們最新的測試報告指出，在最近一次的調校中，改善了加速度與操控穩定性，讓他在時速 30 公里和 300 公里都能有同樣穩定的控制力。

Evija 身上還有著幾個獨特的設計，其中最引人注目的就是它的空氣動力設計，除了車側明顯可見的風洞，車後也有兩個對稱的大型孔狀設計，能夠幫助引導氣流，並減低在車尾產生的風阻。在車尾上還有一個隱藏式的尾翼，當需要高速駕駛時，可以將尾翼升起，提供更好的抓地力。

為了將低風阻，Evija 的後照鏡是一組隱藏式的攝影鏡頭，藏於車身兩側；而車頭的造型與進氣口，除了減少風阻外，也讓大量進氣用於協助馬達和電池組散熱。

Lotus Evija 的性能除了來自於強大馬力之外，車身是採用全碳纖維，手工打造，也讓它的車身重量僅有 1,680 公斤，是世界最輕的電動超跑。內裝部分也不馬虎，使用類麂皮包覆座椅，中控台是大膽的中空懸浮式設計非常前衛。

這款超級跑車還有一個傲人的功能，它支援超高功率的充電裝置，以現有 350 kW 快充，只需要 18 分鐘可以充滿電，還能夠向上支援到 800 kW 設施。

作為名門限量超跑，它的身價自然也非同小可，目前官網公告的預售價格為 170 萬英鎊，相當於 6,600 萬新台幣未稅價。如果特斯拉已經無法讓你感到尊爵不凡，這台 Lotus Evija 很值得考慮。

沒有贏，但也不會輸：Porsche Taycan

比性能，Tesla Roadster 2020 很難追上；比尊榮，Lotus Evija 已然站在頂峰。Porsche Taycan 作為旗下首款電動車，用全球超過三萬張的訂單告訴特斯拉，賣車不是在算數學。

這句話絕對不誇張，考慮到特斯拉在台灣全年的銷量還不到 2,000 輛，Porsche Taycan 在台灣的訂單已經有 700 輛，是非常好的表現。

Porsche Taycan 擁有經典的保時捷風格，和旗下最強的性能。（圖片來源：）

如果從比較表中來看，Taycan 在各方面似乎都稍遜一籌，然而從品牌定位來說，特斯拉在精細度、內裝品質以及整體服務體驗來說，仍然不是主流車廠的對手。在 Model 3 開賣之前，許多車主還會在兩家之間猶豫，但當特斯拉切入庶民市場後，高價位的品牌溢價空間就消失了，保時捷則趁機進軍搶市。

在比較表中我們比較的是最高級的 Taycan Turbo S，0 到 100 公里加速只需 2.8 秒，雖然放在這張表裡似乎不太亮眼，但仍然能夠完勝自家經典車系 911 Carerra S 車型，甚至可以比肩各家燃油超跑的性能。

此外，Taycan 也支援最高達 800 kW 的快充，在目前配置的 270 kW 功率下，從 5 ％充到 80 ％只需 22 分鐘，並且提供展示中心充電服務，解決里程焦慮問題。

從 Taycan 的熱賣可以看出電動車市場不斷在進化成熟，雖然現階段里程焦慮依然是一般民眾購車最大的考量，但是隨著各家電池技術進步，以及充電設備的普及，選購電動車時，整體的銷售體驗以及組裝品質、內裝與個人風格的整合，也將成為重要考量事項。

最後，儘管在表列數據中，我們看到 Roadster 似乎橫掃千軍，但是在極速領域中，許多重要的數據其實仍未獲得驗證，像是再加速數據（時速 100～200、200～300 公里）、0～400～0 時間（從零加速到 400 公里再回到靜止時間），以及評斷綜合表現的紐柏林賽道成績。這一切就等 Roadster 2020 正式交車，才能見分曉了。

（合作媒體：。首圖來源：）

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※如何讓商品強力曝光呢? 網頁設計公司幫您建置最吸引人的網站，提高曝光率!!

※網頁設計一頭霧水??該從何著手呢? 找到專業技術的網頁設計公司，幫您輕鬆架站!

※想知道最厲害的台北網頁設計公司推薦、台中網頁設計公司推薦專業設計師”嚨底家”!!

提到 2020 年的全球汽車市場，幾乎沒有人敢說前景光明，不論是業內人士、產業分析師，都保守看待，主因中美貿易戰造成消費信心未恢復，再加上全球仍處於傳統燃油車轉入新能源車的調整階段，亦造成買方心態觀望。

尋找今年產業亮點，則電動車、車用電子這「雙電」，仍將是市場焦點。電動車部份，特斯拉上海廠完工量產，今年銷售量大幅看增，供應鏈業績同步受惠；而特斯拉的大動作也引發各大傳統汽車品牌大廠備戰，加大力道推出電動車應戰，今年電動車市場百家爭鳴。此外，車市不景氣中，車商推出高 CP 值車款仍是顯學，單一台車搭載越來越多先進駕駛輔助系統（ADAS），也持續使車用電子領域成為台灣電子廠商佈局重點。

車市保守主因：貿易戰、消費弱、車種調整

根據德國汽車工業協會（VDA）預估，2019 年全球汽車銷售量將下滑 410 萬輛，僅 8,010 萬輛，年減 5%，創下 2008 年金融危機以來，汽車行業最大逆風，其中，中國市場衰退是最大的元兇，而美國、印度、日本和歐洲等主要汽車消費市場也全面下滑，展望 2020 年，VDA 則預估，全球汽車銷量還會持續下滑 1%，至 7,890 萬輛。

除了業內，國際信評機構惠譽（Fitch）也在 2019 年底提出，2020 年的全球汽車銷量沒有出現反彈的理由，而汽車銷售放緩也正拖累全球製造業。不過，多數人也預期，今年中國會試圖穩住車市，並為全球帶來支撐的力量。

台經院產經資料庫產業分析師梁宜峰直言，2020 年全球車市還保守的，主因中美貿易戰帶來的影響仍未消除，進而造成消費需求疲弱，而各大車廠從傳統燃油車轉入新能源車或電動車，正值產業的調整轉型期，也使買氣觀望；尤其，車廠也砸下成本投入自駕車的研發，並影響獲利能力，因此裁員頻傳，外界對整體車市買氣沒有太大的期待，預估今年中國車市的銷售跌幅亦將在 1%。

補助退場衝擊電動車銷量，2020 上半年不樂觀

原本外界期待，各國的節能減碳政策能為新能源車帶來榮景，但由於各國的補貼政策逐步減少，已明顯看到電動車的銷售量轉弱，中國更是 2019 年 6 月電動車補貼腰斬後，銷售量急凍，原本上半年電動車售量 49 萬輛，年增 56.6%，但下半年一路溜滑梯，全年電動車銷售量僅 97.2 萬輛，年減 1.2%，梁宜峰認為，今年上半年電動車市場仍不理想。

面對中國電動車的銷量驟減，大家都很關心今年是否續降，中國工信部部長苗圩在今年 1 月表示，今年 7 月不會再次下砍補助。外界也解讀，相關宣示，有望使中國電動車市場銷售走勢漸平穩。

梁宜峰指出，電動車的銷售與政策補貼呈正相關，補貼減少短期仍將影響銷售，今年上半年電動車還是會比較辛苦；但他看好，2020、2021 年傳統車廠會密集推出新車款，包括賓士、福斯、奧迪、Porsche 等，屆時消費者有更多選擇，整體市場今年下半年的市況有機會稍微好轉。

不景氣中特斯拉上海廠投產，供應鏈利多

電動車上半年雖難有期待，但前進中國的特斯拉則為相關零組件廠帶來一些期待。和大董事長沈國榮表示，從 2019 年第 3、4 季特斯拉的交車量屢創新高，和大交給特斯拉的減速齒輪箱產品，出貨量也跟著成長，和大仍是該客戶部份組件的獨家供應商，隨著上海廠的投產，新廠需求量逐步開出，和大的訂單需求也每月增加，現在「交貨壓力非常非常大」。

和勤中國大陸嘉興廠總經理呂宏義，美系客戶上海廠尋求中國在地化供應鏈，而和勤的精沖製程完善，並符合當地政策的環保高標準要求，因此也已看到今年度客戶訂單展望成長。

據估算，特斯拉美國廠的年產能為 30 萬輛，去年交車量達到 36.75 萬輛；而中國初期規劃年產能為 30 萬輛，第一年產能估為 15 萬輛，由於量產順利，顯示特斯拉快速複製產線的能力佳，未來德國新廠年產能 50 萬輛也同樣令供應鏈期待。

對台灣零組件供應商而言，另一個好消息是，燃油車逐漸退場的政策，及能源車發展漸成熟，讓各大車廠加大推出電動車力道，包括賓士、BMW、福特、日產、福斯、奧迪等，今年都有多款新電動車搶市。

沈國榮也直言，2030 年是各國政策推動燃油車退場的年限，在特斯拉銷售持續成長，消費者對電動車的接受度也提升下，各大車廠紛紛推出電動車款，積極搶食商機，和大也有很多電動車的專案正和車廠合作開發中，預估目前電動車相關訂單佔營收比重約 3 成，但 2、3 年後有機會達到 5 成。

車商大方配 ADAS 系統，車電熱呼呼

2020 年車市另一個亮點則是智慧駕駛相關的車用電子，也就是 ADAS 先進駕駛輔助系統，雖然汽車要到完全無人駕駛仍有法規面問題待解決，但 ADAS 系統能預讓駕駛在道路行駛更安全、方便，成為許多民眾在買車時重視的備配，今年在車市不好的狀況下，每台車加裝智慧安全系統的數量看增，供應鏈也受惠。

台經院產經資料庫產業分析師梁宜峰指出，除了車商的大力推、民眾的需求也被提升外，各國重視交通安全，法規推動強制加裝各項ADAS系統也是重要的因素，未來幾年，中國、美國、日本、歐盟均有新增立法，像是日本 2021 年要加裝緊急剎車系統（AEB），美國 2022 年 9 月將 AEB 列為標準配備，這都是台商可以積極卡位佈局的市場。

他建議，台廠可以佈局車用電子的五大重點，第一為電池材料，雖然主要的電池模組仍是韓、日、中國，但台灣扮演電池相關化學材料，也同樣有商機；第二為車載鏡頭，梁宜峰認為，台廠有十幾年的鏡頭經驗，ADAS 系統對高階鏡頭的需求強勁；第三則是最核心和最重要的部份是汽車半導體，以台積電為代表，其餘包括 MCU、MOFET 等汽車半導體也都擁商機。

第四看好汽車電子零件，BSS、AEB 相關系統零組件，梁宜峰說，消費者在購車時會以安全為最大考量，在車市不好時更會考慮相關備配的高 CP 值，因此也會帶動相關車用電子零件的成長；最後是看好車聯網，隨著 5G 的佈建，未來道路上的資訊存取裝置會更多，以達到預先告知駕駛者前方路況、避開塞車路段…等智慧訊息，車聯網的佈建，也值得投入。

（本文內容由 授權使用。首圖來源：）

本站聲明:網站內容來源於EnergyTrend https://www.energytrend.com.tw/ev/,如有侵權,請聯繫我們,我們將及時處理

【其他文章推薦】

※如何讓商品強力曝光呢? 網頁設計公司幫您建置最吸引人的網站，提高曝光率!!

※網頁設計一頭霧水??該從何著手呢? 找到專業技術的網頁設計公司，幫您輕鬆架站!

※想知道最厲害的台北網頁設計公司推薦、台中網頁設計公司推薦專業設計師”嚨底家”!!