🧠 scikit-learn 入門

統一的 fit/predict 節奏、分類與迴歸、Pipeline、模型評估、樹模型到端到端實戰

幾十種模型長一個樣子——學會 fit / predict / transform 這套節奏，你換任何模型都不用重學。先把這個統一的世界觀建好。

比較 KNN 與邏輯迴歸兩個分類器，並把模型腦中的『決策邊界』畫出來——看它到底把空間怎麼切，一眼看懂模型的假設。

從『猜哪一類』換成『預測一個數字』。線性與多項式迴歸、用 MSE / R² 評估、用殘差圖診斷模型有沒有抓住規律。

真實資料很少能直接餵給模型。學會用 StandardScaler 標準化、用 Pipeline 把前處理和模型綁成一體，並避開新手最常踩的『資料洩漏』陷阱。

『準確率 95%』可能是個騙局。學會用交叉驗證估得更穩，用混淆矩陣、precision / recall、ROC / AUC 看清模型真正的能力。

沒有答案，照樣能找出結構。用 KMeans 自動分群、用 PCA 把高維資料壓到 2D 看清楚，見證群集從資料本身浮現。

決策樹用是非題做判斷，人看得懂、還告訴你哪些特徵最重要。把很多棵樹合起來投票，就是橫掃表格資料的隨機森林。

把前七課的招式全部串起來，走一遍真實的機器學習流程：理解資料 → 切分 → Pipeline 前處理 → 交叉驗證 → GridSearch 調參 → 測試集驗收 → 解讀結果。

留言 0