前幾天談了資料集，也談了資料的預處理，今天我們就來說說情緒分析到底整個程式在幹嘛吧！

今天是大略講講整個訓練的流程，還有為什麼要這麼做，不會有程式碼，所以會暈程式碼、看到會想吐想睡的朋友暪可以放心觀看。

情緒分析的流程

在已經有資料集、清理好資料的情況下，我們就可以開始訓練我們的模型了。

相信很多沒有接觸過的人應該會很不了解，明明模型已經有了，但是為什麼每次看大家在介紹的時候，寫的人都要重新訓練一次模型，模型直接拿來用不可以嗎？

其實這是很常聽到的一個想法，網路上許多AI相關的功能都是打開來之後就可以用的，換到這邊就要多一個訓練的步驟，為什麼。

對，同樣都是用模型，但是這裡所謂的「模型」就真的只是式一個空蕩蕩的「模型」，就像是一個機器人，基本的架構都有了，但是要灌入你想要的資料他才會依照你想要的模式走，既然我們都要自己玩程式了，當然就要個人化（是這樣嗎？）

在上一屆的鐵人賽中，我們講到機器學習時有說道，機器學習的關鍵三步驟分別是：初始模型、訓練模型、模型預測，到了NLP這邊其實也是一樣的，只不過是模型和資料不同罷了。

接下來我們就來說說這三大部分吧。

初始模型

在確定好模型之後，第一個步驟就是要把模型導入進來，如果依照前面的比喻，就像是先買一個機器人的空殼骨架，只是這個骨架有很多種，看你要選哪一個最符合自己的。

訓練模型

訓練的過程就像是拿著我們準備好的課本跟教科書，去教這個空空的機器人知識。

之前我們載入的資料集現在就派上用場啦！

這些資料集的作用呢，就是那些「教科書」，我們把這些已經標記好答案的資料，讓這些腦袋空空的學生們吸收。

當然，我們不會是把全部的資料都拿來給機器人，會留一些做考題，這個部份我們下一階段講。

模型預測

在訓練模型之前，我們通常（或說幾乎全部）會將這些資料隨機切成訓練集、測試集。

訓練集是拿來教的課本，裡面有題目跟答案，而測試集就是在讓機器人讀完之後，拿來給他做小考的題目（把答案劃掉了）。

這樣解釋有沒有理解了一點XD

所以在讓他們預測（考完試過後），就可以依照精確度來等等資訊來去判斷這個機器人學生有沒有學好（分數好不好）。

如果分數差的話，就看看試學生本身太差（模型差），還是老師教得不好（資料集有問題）。分數好當然皆大歡喜，但也不要開心得太早，因為可能還有是猜對或資料一不平衡的問題產生。

訓練完成之後

基本上在訓練完成、確認過沒有問題之後，你就得到了一個屬於你自己的模型，可以用來分析你的資料了。

阿記得，如果現在沒有要用，或是之後才要用的話，記得把這個訓練好的模型資料存起來，下次要用就可以直接拿出來用了。

都已經費了時間把這個機器人教的那麼棒，可別下次打開又是一個空殼哦～