縮小問題的範圍

從第一個步驟開始，您想要透過了解下列各項來定義模型將解決的問題：

• 模型應該輸出什麼。
• 您使用哪種類型的機器學習工作。
• 哪些準則可讓模型成功。

您可以根據所擁有的資料和模型的預期輸出來識別機器學習工作。 該工作會決定可用來訓練模型的演算法類型。

一些常見的機器學習工作包括：

1. 分類：預測類別值。
2. 迴歸：預測數值。
3. 時間序列預測：根據時間序列資料預測未來的數值。
4. 電腦視覺：分類影像或偵測影像中的物件。
5. 自然語言處理 (NLP)：從文字擷取見解。

若要定型模型，根據您想要執行的工作，您會有一組演算法可供使用。 若要評估模型，您可以計算效能計量，例如正確性或精確度。 可用的計量也取決於模型需要執行的工作，並可協助您決定模型在其工作中是否成功。

探索範例

請考慮您想要判斷患者是否患有糖尿病的案例。 您嘗試解決的問題與可用的資料類型會決定您選擇的機器學習工作。 在此案例中，可用的資料是患者的其他健康資料點。 我們可以將想要的輸出呈現為患者是否有糖尿病的類別資訊。 因此，該機器學習工作是「分類」。

開始之前先了解整個流程，讓您有機會可以進行詳細決策以設計成功的機器學習解決方案。 下圖顯示一種方法，可解決辨識患者是否有糖尿病的問題。 在該圖中，會使用特定演算法預先準備、分割並訓練資料。 之後，會評估模型的品質。

1. 載入資料：匯入並檢查資料集。
2. 預先處理資料：正規化並清除以獲得一致性。
3. 分割資料：分割為訓練集和測試集。
4. 選擇模型：選取並設定演算法。
5. 訓練模型：從訓練資料學習模式。
6. 為模型評分：從測試資料產生預測。
7. 評估：計算效能計量。

訓練機器學習模型通常是反覆的流程，您會多次執行這些步驟，以找出表現最好的模型。 接下來，讓我們檢查開發機器學習解決方案的數據準備程式。