流程漸漸來到了中段，
開始進行機器學習三步驟，
分別為「選擇模型」、「評估模型」、「最佳參數」。

1. 選擇模型

• 一個模型中會有「許多參數」
• 不同參數的模型就會產⽣「不同的 ŷ」
• 模型產生的 ŷ 跟真實答案的 y 越接近越好
• 模型通常有線性回歸、決策樹、神經網路路等

2. 評估模型

• 「回歸模型」通常使用MAE、MSE、R-sequare
• 「分類模型」通常使用AUC、F1-score
• 模型的訓練⽬標是將損失函數的「損失降至最低」

3. 最佳參數

• 模型的參參數組合可能有無限多組
• 可使用梯度下降 (Gradient Descent)、增量訓練 (Additive Training) 找最佳參數
• 避免過擬和(Over fitting)

學習曲線

目的：用來觀察模型是否擬合？
參考文章學習曲線判斷模型狀態：欠擬合 or 過擬合，
AB爲欠擬合，C爲正好擬合 （接近1），D爲過擬合

過擬和

解決方法：

• 增加資料量
• 降低模型複雜度
• 使用正規化 (Regularization)

⽋擬合

解決方法：

• 增加模型複雜度
• 減輕或不使⽤用正規化

通常在最後選「最佳參數」，
會需要判斷是否擬合，
尤其現實很多情況會有over fitting問題。

以上，打完收工。