【Python】機器學習 — 實戰入門
在大數據時代，機器學習（Machine Learning，簡稱 ML）這個詞彙非常火紅，簡單來說，機器學習是透過演算法將收集到的資料（即過往資料及經驗）進行分類學習並找到其運行的規則，建立出預測模型。
ML 應用範圍極為廣泛，可用於搜尋引擎結果推薦、各類辨識（圖像、影音、指紋、車牌等）、醫療診斷輔助、證券分析等。感謝 Tairung 學長再次答應本社講課邀請，讓我們一起來揭開 ML 的奧秘吧！
本篇文章 take away
- 了解機器學習的範疇，例如：Supervised learning
- 提升對資料的掌握性，例如類型及探索性分析方法
- 認識線性迴歸模型的基本概念與應用
目錄
講者介紹
機器學習的範疇
資料類型
探索性資料分析
線性迴歸模型
相關文章講者介紹
Tairung Chen 學長畢業於臺大經研所，目前在 KKBOX Group 旗下 KKLab 擔任 Senior Data Scientist，負責建立各專案的機器學習模型，以及視覺化圖表。
機器學習的範疇
學長藉由網路曾瘋傳的梗圖「選擇圖片中含有夏于喬的圖片」來說明：
Supervised learning
Supervised learning 就像直接給機器正確解答，在一開始就提供被標註好的資料，讓它學習在輸出時如何判斷誤差。以梗圖舉例，則是預先餵給模型夏于喬和宋芸樺的照片，讓它學習判讀照片中的是哪個藝人。
若採取 Supervised learning，則須判讀資料的類型是迴歸（Regression）還是分類（Classification）。
簡單來說，當預測目標是連續的數值，並可以依據目標問出 “How many?”，則為迴歸；若預測目標為離散、不連續也不可加減計算，並可以依據目標問出 “What is?”，則稱為分類。
Unsupervised learning
Unsupervised learning 則是類似自學的概念，所有資料皆沒有標註，讓模型自己尋找資料特徵並進行分類。以梗圖舉例，就是直接給模型一些夏于喬和宋芸樺的照片，讓它自行辨認及判斷兩者差異。
Semi-supervised learning
Semi-supervised 則是上述兩種方式的混合，只為部分資料做標註，剩下的讓模型透過既有特徵自行判斷。以梗圖舉例，即為給幾張夏于喬的照片，讓模型找出其他張夏于喬。
Reinforcement learning
Reinforcement learning 可理解為先自學、後考試，也就是同樣不給模型任何有標註的資料讓它自行判斷，但模型可以得到辨別結果反饋，若是錯誤它會自行逐步修正，此模式常應用於電動車。
資料類型
在進行機器學習前，必須把資料清理乾淨，做出來的結果才會更準確，所以接下來我們要介紹資料類型，能妥善辨別資料類型才能準確做出分析結果唷！
Numeric
簡單來說就是數字這種可被量化的東西，能在數學上被加減乘除運算的都算，舉例而言：薪水、經濟成長率、溫度等。
Categorical
Categorical 又稱名義（nominal）屬性，資料中不同的觀察值代表著不同的分類，也就是質化的概念。舉例而言：True/ Fulse、非常同意/ 同意/ 普通/ 不同意/ 非常不同意等。
探索性資料分析 Exploratory Data Analysis
在資料清理過後，可能我們對於資料會沒什麼頭緒，這時就可以進行探索性資料分析（EDA），先觀察各欄位資料間的關係。最常見的的 EDA 方式有：表格 Tables、敘述統計 Descriptive Statistics、資料視覺化Data Visualization。
學長分享了幾個有趣的 EDA 範例，以下提供給大家做參考！
- 擊球落地位置視覺化
2. 鐵達尼號罹難者長條圖 EDA
［資料補充］Tairung 學長提供大家幾個能強化 EDA 能力的方式，這邊提供連結給大家參考：
線性迴歸模型 Linear Regression
線性迴歸分析模型是分析變數間關係的工具，主要在研究自變數（x）與應變數（y）之間的線性關係。我們可以透過迴歸模型，推論和預測想知道的應變數（y）結果。
以上圖為例，可以明顯看出年資越高薪水越高的趨勢，這種線性相關的資料就很適合使用線性迴歸模型作分析。
接下來，跟大家分享課堂中學長帶我們實際操作的第一個模型 — — 線性迴歸分析模型，我們要用一個澳洲的資料集來探討離市中心遠近是否影響房價，因此自變數（x）是房子與市中心的距離，應變數（y）是房價。
首先，要先將資料集分成訓練集跟測試集，這樣在模型完成後才能確認模型表現。
載入 Scikit-learn 中的模型，並設定 fit_intercept 超參數來擬合截距。
在訓練模型前先看一下資料分布的情況。
接下來餵資料給模型做訓練，自變數（x）是房子與市中心的距離，應變數（y）是房價。
模型預測的房價為基準價（b_0）加上模型依據資料所計算出的預測係數（b_1）乘上距離。接下來輸出散布圖，觀察預測結果（紅色線）。
模型輸出的結果：
b_0 = 1259059.7488
b_1 = -17772.8388
從上圖可知這個模型並不完美，非常多筆資料沒有落在擬合線上。
由這個例子我們可以知道，在這個資料集中房價與其與市中心的關係並不大，我們必須在加入更多特徵，如：房間數、落成年份及土地大小，來幫助模型更有效的預測。
相關文章
另外兩篇 Tairung 學長的機器學習課程分享：
謝謝 Tairung 學長第二次答應我們的講課邀約，對於上次學長的職涯分享有興趣的朋友詳見此篇文章！
