終於到了實作天，今天將會教導大家如何評估模型，準備好我們就開始囉~

匯檔、建模型

這次我們將用回鳶尾花數據集來呈現，匯入File後，先用個簡單的分類方法訓練模型，那就是在上上篇為大家科普的邏輯迴歸(Logistic Regression)啦~

而為了避免過度擬合(overfitting)，我們會用訓練集建立模型，接著用測試集測試此模型的表現。

評估

我希望以多次重複這個動作來平均準確率，所以將會用到Test & Score這個組件來看其成效。
(下一張圖會有更詳盡地解釋~)

補充說明 : overfitting
當模型在樣本數據上訓練的時間過長，抑或是過於複雜，它會開始學習數據集中的“noise”或不相關的訊息。若模型記住了這個噪聲，並與訓練集擬合得太緊密時，模型則會變得“overfitted”，且無法很好地應用到新數據，而它將無法執行其預期的分類或預測任務。

打開Test and Score左上角有個Cross validation(交叉驗證)的選項，我們就是用它來做到多次重複動作的行為，從下方可看到我是用十折交叉驗證，這十折的分配是用九份數據建模一份數據預測，而每次使用不同的子集來進行交叉驗證，如此地重複這個動作九次以上。

驗證結果，有以下幾項:

• AUC : Area Under the Curve，簡單來說，是判斷預測模型優劣的標準
• CA : Capability of Accuracy，製程準確度，指的是被正確分類的比例
• F1 :衡量二分類模型精確度的指標，它同時兼顧分類模型的精確率和召回率
• Precision :精確度，在相同情況下，兩次或兩次以上的測量數據的一致性
• Recall :召回率，在實際情形為正向的狀況下，預測「能召回多少」實際正向的答案
  這些如果聽不太懂沒關係，我們這次主要看CA而已!以下顯示準確率是96.7%，那麼剩下的3.3%錯誤又在何處呢?

我們可以連接混淆矩陣，看到紅色圈起處，就是被誤判的數據數。

剛剛誤判的數據，我們將連接Data Table查看，還用Scatter Plot視覺化檢視。

當然，我們也可以接看看不同模型的效果，以下範例我用了Random Forest和Tree來試，大家有興趣的話，也可以嘗試自己動手操作看看後續步驟拉~

今天補充的知識，與實作好像都比之前多，看與做到這邊的你們辛苦啦，明天繼續加油!!!

參考資料:
F1分數
Orange
Overfitting
精密度與準確度
如何辨別機器學習模型的好壞？秒懂Confusion Matrix