現代人生活與各類數位螢幕高度綁定,用眼過度與視力提早惡化已成為普遍的公共健康議題。本專案以「日常生活習慣如何實質左右視力健康」為核心切入點,跳過晦澀複雜的模型黑盒子,聚焦於標準且嚴謹的探索性資料分析工作流。我將運用Python實戰工具,從公開健康資料中萃取關鍵資訊,透過統計圖表與顯著性檢定,探究螢幕使用時長、戶外運動、睡眠作息與視力變化之間的真實關聯,以客觀數據打破或驗證常見的護眼迷思。
針對 Day 20 隨機森林在高度風險類別上召回率偏低(僅 0.069)的困境,導入 5 折分層交叉驗證網格搜索(Stratified 5-Fold GridS...
延續 Day 21「樹模型全面壓制幾何核方法(SVM)」的結論,導入現代機器學習領域的工業級標竿演算法——XGBoost(Extreme Gradient Bo...
針對 Day 22 XGBoost 在全域損失最小化過程中過度吸附中度風險、導致低度風險預測歸零(Macro F1 跌至 0.248)的現象,導入微軟開發的另一...
系統性彙整 Day 19 至 Day 23 實作的五大機器學習分類演算法——多元邏輯回歸(Logistic Regression)、隨機森林(Random Fo...
利用在 Day 23 表現最為優異的 LightGBM 冠軍模型,導入源自合作賽局理論的 SHAP(SHapley Additive exPlanations)...
將 Day 25 的「全局群體歸因分析」推進至「個人化微觀診斷」層次。利用冠軍模型 LightGBM 與 SHAP 瀑布圖(Waterfall Plot)、單一...