章節四：模型構建與評估

# 章節四：模型構建與評估 在前一章中，我們完成了資料的清洗、編碼與特徵選擇。如今，資料已經變成一張「乾淨且有意義」的數值向量表，正是構建預測模型的基礎。這一章將帶領讀者從模型選擇、訓練、驗證，到評估指標，最終將數學推論轉化為商業洞察。 --- ## 4.1 模型選擇：從理論到實務 ### 4.1.1 目標類型 | 目標 | 典型模型 | |:---:|:---:| | 分類 | Logistic Regression、Random Forest、Gradient Boosting、SVM | | 回歸 | Linear Regression、Ridge/Lasso、XGBoost、Elastic Net | | 時間序列 | ARIMA、Prophet、LSTM | > **案例：**某零售商想預測客戶下次購買的金額。由於目標為連續值，首選 **線性回歸** 作為基線，若表現不佳，再試 **XGBoost**。 ### 4.1.2 模型複雜度與可解釋性 | 模型 | 特色 | 可解釋性 | |:---:|:---:|:---:| | Logistic / Linear | 參數直觀 | 高 | | 決策樹 | 逐層拆解 | 中 | | 隨機森林 / XGBoost | 集成學習 | 低至中 | | 神經網路 | 非線性關係 | 低 | > **建議**：在商業決策環境，優先使用可解釋性較高的模型；若需要極致預測精度，可折衷使用集成學習，再透過 SHAP 或 LIME 進行局部解釋。 --- ## 4.2 訓練與驗證流程 ### 4.2.1 資料分割 ```python from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42, stratify=y ) ``` > **備註**：對於不平衡分類問題，使用 `stratify=y` 可保持訓練集與測試集的類別比例。 ### 4.2.2 交叉驗證 ```python from sklearn.model_selection import cross_val_score, StratifiedKFold cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=42) scores = cross_val_score(estimator=clf, X=X_train, y=y_train, cv=cv, scoring='accuracy') print('CV Accuracy:', scores.mean()) ``` > **理由**：交叉驗證可以減少因資料分割偶然造成的評估偏差，並更穩健地估算模型泛化能力。 ### 4.2.3 超參數調整 | 工具 | 特點 | |:---:|:---:| | Grid Search | 全部組合枚舉，穩定但耗時 | | Randomized Search | 隨機抽樣，效率更高 | | Bayesian Optimization | 基於前一次結果進行搜尋，收斂更快 | > **示例**：使用 `RandomizedSearchCV` 對 XGBoost 的 `max_depth`、`learning_rate`、`n_estimators` 進行調參。 --- ## 4.3 評估指標 | 任務 | 指標 | 公式 | |:---:|:---:|:---:| | 分類 | Accuracy | | | Precision | | | Recall | | | F1-score | | | AUC-ROC | | 回歸 | MSE | | | RMSE | | | MAE | | | R² | > **提示**：對於不平衡分類，AUC-ROC 或 F1-score 更具參考價值。對於回歸，若資料尺度不均衡，建議使用 **R²** 及 **MAE**。 --- ## 4.4 商業洞察：從模型到決策 1. **預測值解讀**：以零售商例子為例，模型輸出「客戶下次購買金額預測」可以作為促銷力度調整的基準。 2. **敏感度分析**：改變單一特徵（如「會員等級」）觀察預測變化，可評估特徵重要性與風險。 3. **情景模擬**：建立「最佳、最差」情境模型，預測營收變化，支持資金分配。 > **案例**：某線上平台將模型預測納入廣告投放系統，通過「預測消費能力」分級，將高價值客戶的廣告曝光提升 25%，整體營收提升 12%。 --- ## 4.5 道德與合規性 - **隱私**：確保個人資訊使用符合 GDPR / 個資法，必要時進行匿名化或合成資料。 - **公平性**：使用 **Fairlearn** 或 **AIF360** 檢查模型對不同族群的偏差。 - **解釋性**：向決策者展示 **SHAP** 圖表，說明模型如何作出預測。 --- ## 4.6 小結 1. **模型選擇** 需根據目標類型、可解釋性需求與預測精度權衡。 2. **訓練流程** 透過訓練集、交叉驗證與超參數調整，確保模型的穩健性。 3. **評估指標** 應對任務特性選擇，並避免單一指標帶來的偏差。 4. **商業轉化** 需將預測結果映射到具體業務指標，並進行情境模擬。 5. **倫理審查** 是不可或缺的一環，確保模型使用合規且公平。 > 在下一章，我們將進一步探討模型部署、監控與更新，將理論成果落地於實際系統。