在 Azure Machine Learning Studio 建構一個預測實驗，可以使用 Train Model 先訓練這個模型，然後再用 Score Model 驗證預測結果，接著用 Evaluate Model 評估這個模型是否有效。
分類及迴歸是兩種常用來做預測的方法，可以依據要預測的目標內容來決定使用哪一種方法，例如：成人收入是屬於 <=50K 還是 >50K 的類別，就可以用分類演算法。若要預測的目標是一個連續的結果，像是汽車的價格、天氣溫度等，就可以使用回歸演算法。
以下範例實驗為建立一個迴歸訓練模型，用它來預測汽車的價格。

以線性迴歸分析預測汽車價格

步驟 1. 資料前處理

1. 【Dataset】新增資料集：Automobile price data (Raw) 汽車價格資料集
2. 【Select Columns in Dataset】選擇需要的特徵及目標，記得預測結果欄位 - price 價格，一定要選
3. 【Clean Missing Data】若選擇的特徵中，包含有缺失值，則需要處理缺失值
   PS. 每做一個資料處理，都要執行過一次，輸出才會有資料可以接續操作下一步

步驟 2. 將資料集分為訓練集與測試集

4. 【Split Data】設定比例為 0.8 - 80%訓練集、20%測試集

步驟 3. 選擇演算法，建立訓練模型

5. 【Train Model】訓練模型：設定要預測的目標欄位 - price 價格
6. 【Linear Regression】選擇演算法：線性迴歸分析

步驟 4. 執行預測

7. 【Score Model】計分模型：執行預測

8. Score Model 計分模型的結果會顯示原資料，以及預估的價格

步驟 5. 效能評估

因為上方的 Score Model 計分模型結果只能大致了解預估的結果與實際值接不接近，不容易肉眼看出準確度為何，所以還會額外再使用 Evaluate Model 評估模型用數據資料來檢視這個模型強不強
9. 【Evaluate Model】評估模型

10. Evaluate Model 評估模型會輸出以下結果：

• Mean Absolute Error(平均絕對誤差)：絕對誤差的平均值(誤差代表預估值與實際值差距)
• Root Mean Squared Error(均方根誤差)：誤差平方的平均值的平方根
• Relative Absolute Error(相對絕對誤差)：絕對誤差平均值，相對於實際值和所有實際值的平均值之間的絕對差
• Relative Squared Error(相對平方誤差)：平方誤差平均值，相對於實際值和所有實際值的平均值之間的平方差
• Coefficient of Determination(決定係數)：又稱為R平方，是一個統計指標

PS.每個誤差值都是越小越好，越小的值代表預測值更接近實際值；而決定係數值接近 1，預測就越好，代表預測 100% 符合實際值