~今天要分享的是「機器學習介紹」~

經過前面幾天的學習，恭喜大家即將迎來一個全新的主題，那就是機器學習！

在進入正題之前，要先學會機器學習裡三種重要的學習方式，分別是：

• 監督式學習：需事先標記答案，模型會從訓練資料學習判斷正確的答案，使用時機通常為分類和迴歸問題
• 非監督式學習：不需事先標記答案，模型會自己從訓練資料中找到合適的答案，使用時機通常為集群分析和降維分析等需求
• 強化式學習：不需事先標記答案，模型會從與環境的互動中獲得的正懲罰與負懲罰找到最佳的答案，使用時機通常為決策和控制問題

接下來要談論混淆矩陣，這是在評估分類問題模型時很重要的觀念：

可能有些人(包括我)一開始在看這張表的時候常常會被搞混，後來我找到記這張表的方法：

1. 表的最上面為實際，表的最左邊為預測
2. 英文字第一個字母為T還是F看實際與預測是否一樣，第二個字母看預測為真(T)還是假(F)
3. 型一錯誤在右上，型二錯誤在左下

註：型一錯誤為α，也稱顯著水準；型二錯誤為(1 –β)，也稱(1-檢定力)

最後在做分類問題的模型評估時，常見的評估指標有：準確率、精確率、召回率、F1-score。
準確率：(TP+TN) / (TP+FP+FN+TN)
精確率：TP / (TP+FP)
召回率：TP / (TP+FN)
F1-score：2/(1/精確率+1/召回率)

而評估回歸問題模型時使用到的指標為R-squared(判定係數)與RMSE(均方根誤差)。
R-squared：範圍在0到1之間，越接近1表示模型解釋能力越好
RMSE：RMSE越小表示模型的預測誤差越小，代表預測的結果接近真實的數據