上一篇有提到，在建立完預測模型後，可以使用 Evaluate Model 評估模型來檢視模型的效能，而除了單一模型檢視外，Evaluate Model 也可以用來比較兩個模型的效能，以下範例實驗使用相同的訓練集及測試集資料，分別使用二元提升決策樹分類、二元邏輯迴歸分類、二元貝式分類這 3 種演算法建立訓練模型，用它來預估成人收入的分類，再來比較各個模型的結果。

使用 Evaluate Model 評估模型 比較多個演算法

步驟 1. 資料前處理

1. 【Dataset】新增資料集：Adult Census Income Binary Classification dataset Census Income dataset 成人收入調查的二元分類資料
2. 【Select Columns in Dataset】選擇需要的特徵，記得一定要選到預測結果欄位 - income 收入
3. 【Clean Missing Data】若選擇的特徵中，包含有缺失值，需要處理缺失值
4. 【Filter Based Feature Selection】可以使用特徵篩選功能挑選特徵，目標欄位選擇 - income 收入

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操作下一步

步驟 2. 將資料集分為訓練集與測試集

5. 【Split Data】設定比例為 0.7：70%訓練集、30%測試集

步驟 3. 選擇 3 種分類演算法，分別建立訓練模型

6. 【Train Model】訓練模型：設定要預測的目標欄位 - income 收入

• 【wo-Class Boosted Decision Tree】二元提升決策樹分類
• 【Two-Class Logistic Regression】二元邏輯迴歸分類
• 【Two-Class Bayes Point Machine】二元貝式分類

步驟 4. 執行預測

7. 【Score Model】計分模型：執行預測

步驟 5. 效能評估與模型比較

8. 【Evaluate Model】評估模型：將兩個二元分類演算法模型執行結果分別接至 Evaluate Model 的輸入

9. 執行完成後，滑鼠右鍵點選Visualize檢視評估結果，可以分別點選 Scored dataset(左半邊的輸入)及 Scored dataset to compare(右半邊的輸入)，下方數據會依據選取內容顯示不同的結果，即可比較兩種演算法，再選擇適用的預估模型

選擇 Scored dataset：

選擇 Scored dataset to compare：