在上一篇中，我們是將許多張未分類過的圖像數據，讓電腦幫我們分類與查看它們之間的相似度(屬於無監督式學習)；那麼今天，就是要將另外一群已分類好之圖像數據，進行模型訓練與評估，並且查看其混淆矩陣(屬於監督式學習)。

補充說明 Classification vs Clustering

找圖片匯檔並檢視

我們可以先自行從網路上找尋想的要圖片，並將它們個別分類好，整理成一個檔案資料夾，如以下的Gif操作。

接下來就可以「Import Images」匯入檔案，並將其接上「Image Viewer」，瀏覽圖片是否都匯入成功~

圖像數據化

再來，我們在連上「Image Embedding」，把這些圖像轉換成向量，這部分在上個章節也有提到過呦~

接上「Data Table」，會看到它已增加了另外2048個屬性，供等等後續的操作使用。

評估模型預測

完成了數據處理後，接著就是訓練模型及察看其預測的各項比率。而這次我查看的是邏輯迴歸模型來進行評估。

從以下比率來看，此模型準確度算良好地，準確度達到0.8，而AUC之比率至0.984，相當地高呀。(各項評估類別於第十四篇章有詳細的說明)

查看誤分之類別

但剩下不到100%的準確率是誤判於何處呢?我們來看看吧~
將「Test and Score」與「Confusion Matrix(混淆矩陣)」接上，查看總共有幾個類別是被誤判的，而在將其連上「Image Viewer」，對照著混淆矩陣，來瀏覽為哪些圖片。

看起來，有些圖片真的與其它類別有相似之處，所以造成誤判，若先前給出更多的數據，讓機器學習時，有更多內容可依循判別，那麼準確率也可能會變高喔!

圖片的實作就先告一段落啦，明日將有新主題，敬請期待啦!

參考資料:
Orange
ML | Classification vs Clustering