在選擇對應的模型前，我們先來認識常見的訓練模型有哪些吧！每一種模型他的應用場景都不一樣，因此需要先知道你要訓練的資料是屬於什麼類型的資料，選擇對應的模型才可以確保訓練是準確的。

常見的訓練模型

1. 線性回歸 (Linear Regression)

• 應用場景：用於預測連續數值的問題，如房價預測、銷售額預測、醫療費用預測等。
• 優點：
  • 簡單易懂，結果容易解釋。
  • 計算效率高，適用於高維度數據。
• 缺點：
  • 只能捕捉數據中的線性關係，對於複雜的非線性問題表現不佳。
  • 對於異常值和多重共線性（多個特徵之間高度相關）敏感。

2. 決策樹 (Decision Tree)

• 應用場景：分類和回歸問題，如信用評分、醫療診斷、客戶細分等。
• 優點：
  • 結果易於解釋，能夠可視化決策過程。
  • 不需要數據的預處理（如標準化或正規化）。
  • 能夠處理數據中的非線性關係。
• 缺點：
  • 容易過擬合，尤其是當樹過深時。
  • 對於噪音敏感，可能導致模型不穩定。

3. 隨機森林 (Random Forest)

• 應用場景：分類和回歸問題，如風險評估、病患預後預測、圖像分類等。
• 優點：
  • 通過多棵決策樹的集成，減少了過擬合的風險，模型穩定性強。
  • 對於高維數據和異常值的魯棒性較強。
• 缺點：
  • 訓練和預測過程相對較慢，計算資源需求高。
  • 雖然性能好，但結果不容易解釋。

4. 梯度提升樹 (Gradient Boosting Trees，如 XGBoost, LightGBM)

• 應用場景：分類和回歸問題，如市場預測、信用風險評估、排序問題等。
• 優點：
  • 通常在競賽中表現優異，特別適合處理複雜的非線性數據。
  • 能夠通過學習過程中的迭代，逐步改進模型性能。
  • 具有高靈活性，參數調優後能夠取得優異表現。
• 缺點：
  • 訓練時間長，尤其是參數較多時。
  • 對於參數選擇敏感，需要較多的參數調整。

5. 支持向量機 (Support Vector Machine, SVM)

• 應用場景：主要用於分類問題，如文本分類、圖像識別、癌症診斷等。
• 優點：
  • 能夠處理高維數據，並且在少量數據的情況下表現良好。
  • 能夠找到區分不同類別的最佳決策邊界。
• 缺點：
  • 對於大規模數據集的訓練時間長，計算複雜度高。
  • 參數選擇和內核函數的選擇對於結果影響較大，調優比較困難。

6. K-最近鄰 (K-Nearest Neighbors, KNN)

• 應用場景：分類和回歸問題，如推薦系統、圖像分類、手寫字識別等。
• 優點：
  • 簡單易懂，無需訓練過程。
  • 對於數據中沒有明顯的邊界問題，性能良好。
• 缺點：
  • 計算效率低，尤其是數據集較大時。
  • 對於異常值和噪音敏感，對於維度災難（curse of dimensionality）問題表現不佳。

7. 神經網絡 (Neural Networks)

• 應用場景：廣泛應用於分類和回歸問題，尤其是圖像識別、語音識別、自然語言處理等深度學習場景。
• 優點：
  • 能夠處理複雜的非線性關係，表現優異於大數據集的場景。
  • 有很強的靈活性，能夠自動學習特徵。
• 缺點：
  • 訓練過程複雜且耗時，對於計算資源要求高。
  • 需要大量標註數據，模型解釋性差，調參難度大。

認識了目前常見的訓練模型後，接下來就要根據我們的目的「預測房價」選擇合適的模型來進行訓練啦！就會來到我們的「模型訓練」的步驟了。