到目前為止，我們已經學過資料處理、視覺化、框架選擇，以及神經網路的基本原理。

而在討論過大致上理論的東西後，我們今天就要邁出更實際的一步 -
使用 Keras 建立一個最基礎的神經網路，來解決分類問題。

在這個練習中，我希望能幫助我把前面學到的知識連結起來，
並且更直觀地去感受「神經網路」如何透過數據學會分辨不同類別。

這裡的範例會用經典的鳶尾花 (Iris) 資料集，
它是許多初學者用來練習分類問題的常見資料集。
接下來，我們將按照完整的實作流程來帶大家一步步走過。

那我們就馬上開始吧!!!

關於鳶尾花 (Iris) 資料集的參考資料:
https://zh.wikipedia.org/zh-tw/%E5%AE%89%E5%BE%B7%E6%A3%AE%E9%B8%A2%E5%B0%BE%E8%8A%B1%E5%8D%89%E6%95%B0%E6%8D%AE%E9%9B%86
(簡單來說它就是包含花的很多特徵，像是花瓣的長度、寬度等等所創建的資料集)

實作流程

1. 載入資料

首先在這個步驟中，我們需要先準備好資料集。
鳶尾花資料集是一個內建於 scikit-learn 套件的資料集，因此不需要另外下載。

from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from tensorflow.keras.utils import to_categorical

這個資料集包含 150 筆資料，
每筆資料有 4 個特徵（花萼長度、花萼寬度、花瓣長度、花瓣寬度），
以及對應的標籤（花的種類，共三類：Setosa、Versicolor、Virginica）。

載入資料後，我們會將特徵存放在 X 變數中，把標籤存放在 y 變數中。
這樣做的好處是能清楚區分「模型的輸入」與「模型要學會預測的輸出」。
程式碼如下:

# 載入鳶尾花資料集
iris = load_iris()
X = iris.data   # 特徵（花萼長、花萼寬、花瓣長、花瓣寬）
y = iris.target # 標籤（0=setosa, 1=versicolor, 2=virginica）

2. 資料前處理

原始資料雖然已經整理得很乾淨，但我們仍然需要做一些前處理，
以下是我們要新增的程式碼:

# One-hot encoding：將 0,1,2 轉換成 [1,0,0], [0,1,0], [0,0,1]
y = to_categorical(y, num_classes=3)

# 切分資料集，80% 訓練、20% 測試
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

我將上面區分成兩部分來做解釋:

標籤轉換：

因為鳶尾花的標籤原本是數字 (0, 1, 2)，我們需要把它
轉換成「One-hot encoding」的形式，才能讓神經網路理解。
(這個部分我們在前幾天的文章有講過了，這邊不再贅述，連結下收:
https://ithelp.ithome.com.tw/articles/10382388

資料切分：

接著我們也要把資料分成「訓練集」和「測試集」。
訓練集用來讓模型學習，而測試集則保留到最後檢驗模型的效果。
常見的比例是** 80% 作為訓練**，20% 作為測試。

這些前處理的目的是確保模型能在「看過的資料」中學習，
但我們還能用「沒看過的資料」來驗證它的泛化能力。

3. 建立模型

接下來進入重頭戲：建立我們的神經網路模型。
這裡我們使用 Keras 的 Sequential 模型，因為它可以讓我們去一層一層地堆疊網路結構。

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 建立模型
model = Sequential([
    Dense(10, activation='relu', input_shape=(4,)), # 隱藏層，10 個神經元
    Dense(3, activation='softmax')                  # 輸出層，3 個神經元
])

而在這個範例中我們使用了「隱藏層」以及「輸出層」，以下也針對兩者的內容做介紹：

第一層：隱藏層 (Dense layer)

我們將神經元數量設為 10、輸入維度設為 4 (特徵數量 = 4)。
並使用 ReLU 作為啟用函數，因為它能有效解決梯度消失問題，
並且在許多情境下表現相對來說比較好，這也是我們挑選它的原因。

第二層：輸出層 (Dense layer)

神經元數量設為 3，對應到鳶尾花的三種類別。

啟用函數則是使用 Softmax，因為我們希望輸出是三個機率數值，
代表樣本屬於三個類別的「可能性」。

這樣，我們就完成了一個
「輸入層 → 隱藏層 → 輸出層」的簡單神經網路架構。

4. 編譯模型

在我們將模型架構定義好之後，我們還需要告訴 Keras 如何訓練它。

在這裡，我們要指定三個重要的部分：

優化器 (optimizer)：

我們會使用 adam。它是一種自動調整學習率的優化器，
比單純的梯度下降更穩定，並且是初學者最常用的選擇。

損失函數 (loss function)：

由於這是一個多分類問題，我們會使用 categorical_crossentropy。
這個函數能計算出「模型輸出的機率分布」與
「正確答案分布」之間的差異，數值越小代表預測越準確。

評估指標 (metrics)：

我們會使用 accuracy，也就是正確率。
這能幫助我們追蹤模型在訓練過程中的表現。

新增的程式碼如下:

model.compile(
    optimizer='adam',                  # 優化方法
    loss='categorical_crossentropy',   # 損失函數
    metrics=['accuracy']               # 評估指標
)

這些編譯模型的方式之前文章也都有提過，有興趣的讀者可以去翻找之前的文章看看。

5. 訓練模型

倒數第二步，我們就要讓模型真正開始學了。
過程很簡單，我們把訓練資料餵進去，並告訴模型要學習幾次，
然後就讓他開始跑跑跑跑跑，直到達到我們指定的數量。

程式碼如下:

history = model.fit(
    X_train, y_train,
    epochs=50,             # 學習 50 次
    batch_size=16,         # 每批 16 筆資料
    validation_split=0.2,  # 從訓練集再切 20% 出來做驗證
    verbose=1
)

下面也簡單介紹程式碼中的特殊函數定義:

epochs：

epochs是代表完整跑過所有資料的次數，
我們在範例中設為 50，意思就是要讓模型從頭到尾學習資料 50 次。

batch size：

batch size則是代表一次要丟多少筆資料進去學習。
我們在範例中的 batch size 設為 16，
就是把資料切成小份，讓模型分批更新權重。

validation_split：

我們把訓練資料的一部分（這邊是 20%）拿來當「驗證資料」。
這樣模型在每個 epoch 結束後，會同時回報「在訓練資料上的表現」
以及「在驗證資料上的表現」。
有助於我們檢查模型是否過度擬合。

這個過程就是所謂的「前向傳播 + 反向傳播」重複進行，
模型會逐步更新權重，並試圖讓損失函數變得越來越小。

6. 評估模型

最後一步!!!
我們就會使用一開始保留下來的測試資料(剛剛講的20%)，
用來檢驗模型的最終表現。

在這個步驟中，我們只需要呼叫 model.evaluate()，
就能得到測試集的損失值和正確率。
這代表模型在「沒看過的資料」上表現如何。

程式碼!:

loss, accuracy = model.evaluate(X_test, y_test, verbose=0)
print(f"測試集損失值: {loss:.4f}")
print(f"測試集正確率: {accuracy:.4f}")

7.成果演示

接著我們就來看看執行後的成果吧:

可以看到總共運行了50次訓練，但最後只得到了63%的正確率。
針對這個結果，有可能是以下原因導致:

1.隱藏層太小

我們用了只有 10 個神經元的單層隱藏層，可能不足以捕捉特徵。

2.訓練次數（epochs）不足

我們只跑了 50 次，模型可能還沒完全收斂。

3.資料量小，切分比例影響大

Iris 只有 150 筆資料，測試集只有 30 筆，一旦分配剛好不均，正確率就會受影響。

4.隨機性

train_test_split 預設有隨機性，若分到比較「難分」的測資，就會降低表現。

但由於我們只是為了測試，要增加層數的話所需的時間也會大幅增加，
因此我們的實作就先到這邊，
若是有興趣的可以再透過增加層數、訓練次數等來提高正確率，
我也將完整程式碼放在下方，可自行取用。

# 匯入需要的套件
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 1. 載入資料
iris = load_iris()
X = iris.data   # 特徵（花萼長、花萼寬、花瓣長、花瓣寬）
y = iris.target # 標籤（0=setosa, 1=versicolor, 2=virginica）

# 2. 資料前處理
y = to_categorical(y, num_classes=3)  # one-hot encoding
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42
)

# 3. 建立模型
model = Sequential([
    Dense(10, activation='relu', input_shape=(4,)),  # 隱藏層
    Dense(3, activation='softmax')                   # 輸出層
])

# 4. 編譯模型
model.compile(
    optimizer='adam',
    loss='categorical_crossentropy',
    metrics=['accuracy']
)

# 5. 訓練模型
history = model.fit(
    X_train, y_train,
    epochs=50,
    batch_size=16,
    validation_split=0.2,
    verbose=1
)

# 6. 評估模型
loss, accuracy = model.evaluate(X_test, y_test, verbose=0)
print(f"測試集損失值: {loss:.4f}")
print(f"測試集正確率: {accuracy:.4f}")