鐵人檔案
了解如何透過 Azure Machine Learning Studio 依據現有的資料進行資料處理、建立模型、訓練、測試、發佈，執行結果預測。
Replace Discrete Values 通常用在兩個變數間，計算結果有兩種： 若 B 欄位屬於 categorical value 分類變量，會計算：...
Evaluate Probability Function 評估機率函數 Evaluate Probability Function 有許多概率分布函數，包含...
在機器學習中，輸入的資料欄位稱為 feature(特徵)，輸出的欄位稱為 Label(標籤)，如果資料特徵與模型無關或不重要，通常會干擾模型，影響結果，所以不是...
Azure Machine Learning Studio 的 Summarize Data 可以對資料集整體做一些基礎計算，用來了解資料的分布狀況，計算後的輸...
在做完資料處理及特徵篩選後，接下來就是選擇演算法來訓練我們的模型，這階段算是機器學習流程中最關鍵的部分了，通常我們會依據想預測的問題以及現有的數據資料，來決定要...
一般我們會將資料集樣本分為兩部分，約 70% 當作訓練集，用來建立模型，另外 30% 當作測試集，用來測試訓練好的模型效能。但也有另一種做法就是交叉驗證(Cro...
在 Azure Machine Learning Studio 建構一個預測實驗，可以使用 Train Model 先訓練這個模型，然後再用 Score Mod...
上一篇有提到，在建立完預測模型後，可以使用 Evaluate Model 評估模型來檢視模型的效能，而除了單一模型檢視外，Evaluate Model 也可以用...
分類(Classification)為預估模型常用的方法，在 Azure Machine Learning Studio 中的分類演算法依據結果類別數量，分成二...
多類別分類(Multiclass Classification)用在當實驗的預測結果不只分成兩類別的時候，像是字母手寫辨識、數字手寫辨識、NBA 季後賽的優勝隊...
