儘管都是模型，但預測模型目的在於預測未來，所以開發方式也會和描述型模型有所差異。

Initiation

起始階段要確認的事情跟之前差不多。

商業意圖是否明確：商業意圖不是指明確的需求，而是想利用這個預測模型做什麼。例如「想預測使用者會不會點擊」，這只能算是需求；「想透過提高使用者點擊率提高使用者觀看數」這樣才是比較完整的商業意圖。因為使用者可能會提出無法滿足商業意圖的需求，這時候做了也是白做，所以最重要的事情就是確認商業意圖。

需求：不管預測人數、預測點擊、預測營收都是單純的預測目標。如果商業意圖還不明確的話，就還需要在回到上一步多著墨，至少要需要變成一個比較明確方向的問題，才有辦法往下走。

資料來源是否足夠：這關乎到「能不能回答問題」，那如何判斷需求可否被預測？很多人（特別是老闆）會覺得模型無所不能，什麼都可以預測。儘管現在預測模型種類繁多，但標準很簡單 - 「有標注的資料是否夠多？」現在大多數的預測模型都是需要 ground true（亦即標準答案），來做為訓練資料，如果一個問題手上有的標注資料不夠、或是這個問題根本無法很好的被標注，那就表示這個問題做起來風險很高（或做不出來）。

Design

預測模型在設計上就有很多選擇了，最主要就是要區別到底要預測什麼

• 預測數值
• 預測類別
  • 雙類別
  • 三或三以上個類別

接著就是照一些小細節去選擇對應的模型。

(https://bigdataanalyticsnews.com/machine-learning-with-python-a-revolution-in-the-field-of-data-analytics/)

如果是 Deep Learning 的話，也是根據需求來選擇相應的結構，像是

影片/影像辨識：走 CNN 路線
聲音/文字辨識：走 LSTM 路線
對抗訓練：走 GAN 路線

(https://www.techwebspace.com/9-ways-to-become-the-macgyver-of-deep-learning/)

總之細節很多，就有待各位大大來補充。

Implement

在開發預測模型上，步驟就比較複雜。

在做預測模型時，通常會先使用過去的資料，接著將資料分為 Traning Set(1a) 和 Testing Set(1b)。

接著會使用 Training Set 代入演算法來訓練模型（2a）。接著我們會用訓練好的模型來做資料驗證（有些套件會將Training Dataset 分成 Training Set 和 Evaluation Set(3b)），透過這樣的過程來優化演算法的參數。並透過之前分出去的 Testing Set 來驗證不同演算法的優劣。

最後我們會選出最好的模型進入正式環境(4,5)，並用來預測正式資料。

Deployment

ML 模型部署部分是最近最熱門的題目 - MLOps 值得用一整篇來寫。