前言

[圖片生成：DALL-E]

在完成特徵選擇和數據切分後，我們需要根據 scikit-learn 的 cheatsheet 選擇合適的演算法📘，這是提升模型性能的關鍵步驟🔑。除了 cheatsheet 的建議，我們也應該嘗試不同的常見演算法，以擴展選擇範圍。🎯也方便在接下來的模型評估階段比較不同模型的表現，選擇最佳解決方案。🏆

演算法選擇

[source]

回顧之前的 scikit-learn cheatsheet，我們可以根據我們的題目進行對應，從 START 開始，步驟如下：

1️⃣ 檢查我們清理後的數據量是否大於 50 筆，程式碼如下：

cleaning_data_filtered.shape

我們得到的輸出為: (36683, 27)
也就是說總共有 36683 筆數據，共有 27 個欄位，因此有超過 50 筆📂。在圖表中往 Yes 的路徑走。

2️⃣ 判斷我們要解決的題目期望輸出是否為類別型

cleaning_data['Test Results'].unique()

輸出結果: array(['Normal', 'Abnormal'], dtype=object)
我們得到的輸出是 Abnormal/ Normal 是屬於類別，並非數值。在圖表中往 Yes 的路徑走。

3️⃣ 檢查我們的資料庫是否有 Label

我們收案時的資料庫是有 Test Results 這個欄位的，我們不是只要分群而已，而是期望輸出可以給明確的 Abnormal 或 Normal。在圖表中往 Yes 的路徑走。

此時此刻，我們就可以很明確看到一個大框，我們的題目任務是 Classification 分類。 [圖中呈現粉紅色]

4️⃣ 檢查數據量是否小於 10 萬筆 (大數據)

由於在第一步驟中我們看到是 36683，因此在圖表中往 Yes 的路徑走。

現在，我們終於可以進入演算法推薦的階段📑。根據圖表，第一個要嘗試的演算法是 Linear SVC。如果訓練結果不理想，我們還可以考慮預測的輸出類型。如果預測的輸出是文本資料，例如履歷中的字詞，則需要用貝氏統計相關演算法，這是因為文本中的每一個字之間都可能存在相關性。這些模型會根據字與字之間的機率來判斷是否將它們放在一起，這和最近流行的生成式 AI 概念類似。不過，回到我們的主題，我們的預測輸出是簡單的類別（Abnormal 或 Normal），這並不屬於文本數據，因此在圖表中我們選擇 No 的路徑。

如果 Linear SVC 的訓練結果不佳，我們可以接著試試 KNeighbors Classifier。如果仍然不理想，那就可以考慮 SVC 或各種 Ensemble Classifiers。

總結一下，我們可以嘗試的演算法包括：

• Linear SVC
• KNeighbors Classifier
• SVC
• Ensemble Classifiers（如 Random Forest 和 Gradient Boosting） 🌲

除了以上提到的演算法，還有一些常見的非 Ensemble Classifiers 的方法可以多方嘗試，如簡單有效的二分類方法：Logistic Regression (邏輯回歸)。

🔜結論

這一階段的目的是幫助我們選擇合適的演算法。下一篇文章中，我們將實際進行演算法的建立，讓模型能夠真正運作。🚀

[圖片生成示意：DALL-E]

參考資料：
https://scikit-learn.org/stable/machine_learning_map.html