【DAY11】監督式學習：用 Python 實作邏輯迴歸----模型評估

前言昨天我們完成了邏輯迴歸模型的建立，並試著用它預測單筆資料。今天，我們將深入探索模型內部，主要目標有三個： 了解特徵對模型預測的影響 全面評估模型在測試資料...

【DAY12】監督式學習：用 Python 實作邏輯迴歸----調整超參數與交叉驗證

前言昨天我們完成了邏輯迴歸模型的建立與深入分析，包括特徵權重與混淆矩陣評估。今天學習重點包括： 理解邏輯迴歸主要超參數 使用交叉驗證評估模型穩定性 比較不同參...

【DAY13 】監督式學習：用 Python 實作邏輯迴歸----正則化、梯度與優化算法解析

前言昨天我們學習了如何調整邏輯迴歸的超參數，並透過交叉驗證了解模型在未見資料上的穩定性。今天，我們將針對這些專有名詞做深入解釋，包括正則化、梯度以及求解器（So...

【DAY14】監督式學習：支持向量機（SVM）與最佳邊界

前言昨天我們介紹了邏輯回歸的正則化、梯度更新與不同的求解器。

【DAY15】監督式學習：決策樹（Decision Trees）

前言

【DAY16】監督式學習：隨機森林 (Random forest)

【DAY17】機器學習:集成學習（Ensemble Learning）

前言 昨天我們學習了單一模型（例如邏輯迴歸、決策樹）的建立方式，但在實際應用中，單一模型的表現有時不夠穩定。這時候，我們就可以透過「集成學習」將多個模型結合起來...