收集可量化的數據

有些資料可以直接拿來用：

1. 身高：180公分
2. 消費金額：500元

有些資料可事先做定義（當然也可事後做轉換）：

1. 性別：0代表男、1代表女、2代表其他、-1代表無紀錄
2. 距離：0代表200公尺內、1代表1公里內、2代表5公里內、3代表5公里以上

轉換的方法，以下是常見的例子：

1. 有個欄位是記錄「每坪xx~xx萬」這串文字，至少需要轉成兩個欄位「每坪最低」、「每坪最高」
2. 顏色有「紅、藍、綠、黃」可轉成獨熱編碼（可參考跟之前數字的轉換）
3. 打折類型，第一種打9折，第二種買滿30元折5元，可轉成：
   欄位「打折類型」，0代表第一種，1代表第二種，-1代表沒記錄
   欄位「買滿」、「折扣」，紀錄第二種（也就是打折類型1）的買滿多少、折扣多少
   

小心「倖存者偏差」數據造成誤導

二戰期間，飛回來的飛機，中彈最多的是機翼、中彈最少的是機尾，請問要加強防護飛機的哪裡？
結論是，要保護的不是中彈最多的機翼，反而是機尾的引擎。
因為引擎中彈的飛機根本飛不回來，因此也就「收集不到這些數據」！

Kaggle的鐵達尼號倖存者資料

由於需要現成的資料，我們到Kaggle人工智慧競賽平台上找已有的專案
上面通常有「練習專案」、「學術專案」、「政府專案」、「公司專案」，後者報酬豐厚，常會看到高手們組團攻克

這次選擇「鐵達尼號倖存者」，作為入門的介紹
這是一個分類問題（Classification），也就是給你乘客的資料，請你預測這位乘客是否倖存
1代表100%倖存，0代表0%倖存（也就是死亡）
這類的題目，預測的是「Yes」、「No」，所以之後也可以舉一反三，從消費者資料去預測消費者是否會購買的機率

我們標榜一步一步教，從註冊登入畫面開始：

查詢「Titanic: Machine Learning from Disaster」專案，或點選連結https://www.kaggle.com/c/titanic

1. 加入此專案
2. 點資料頁面
3. 下載資料，也就是訓練集（資料與標籤）、測試集（有資料、但沒有標籤）