返回目錄
A
洞悉未來：資料科學決策師的實務指南 - 第 4 章
第4章：從特徵到模型：機器學習的實務選擇
發布於 2026-03-01 14:12
## 第4章：從特徵到模型：機器學習的實務選擇
在前兩章已經完成資料清理與特徵工程的工作，接下來的重點是選擇合適的機器學習模型並將其落地於企業決策。此章將從模型分類、評估指標、驗證方法、部署流程以及實務案例四個面向，為非技術決策者呈現一套完整且易於執行的流程。
---
### 4.1 模型分類與選擇指引
| 模型類型 | 適用場景 | 主要優點 | 主要風險 |
|---|---|---|---|
| **線性模型** (Logistic、線性回歸) | 需要可解釋性、資料量大、變數線性關係明顯 | 易於解釋、訓練快、參數少 | 易受異常值影響、非線性關係處理差 |
| **樹模型** (Decision Tree、Random Forest、Gradient Boosting) | 需要捕捉非線性、變數類型多樣 | 可解釋、處理缺失值、特徵重要性可視化 | 可能過擬合、模型複雜度高 |
| **神經網路** (MLP、CNN、RNN) | 大規模資料、複雜非線性 | 能學習高度抽象特徵 | 訓練成本高、可解釋性差 |
| **集成模型** (Bagging、Boosting、Stacking) | 希望提升預測穩定性 | 通常能顯著提升表現 | 需要更多參數調整、解釋困難 |
#### 何時選擇哪一類模型
1. **資料量**：資料數量不足時，線性模型或簡單樹模型較為適合；資料量足夠時可考慮集成模型或深度學習。
2. **商業需求**：若需要解釋性（例如合規要求），線性或樹模型更合適；若追求最高預測精度，集成模型或深度學習可先做預實驗。
3. **運算資源**：樹模型在 CPU 上可快速訓練，神經網路則需 GPU；若部署於嵌入式或移動端，需考慮模型尺寸。
### 4.2 評估指標
| 指標 | 適用場景 | 公式（二分類） |
|---|---|---|
| **準確率 (Accuracy)** | 樣本分布均衡 |
```text
Accuracy = (TP + TN) / (TP + TN + FP + FN)
``` |
| **精確率 (Precision)** | 重視錯誤正例成本 |
```text
Precision = TP / (TP + FP)
``` |
| **召回率 (Recall)** | 重視漏報成本 |
```text
Recall = TP / (TP + FN)
``` |
| **F1 分數** | 平衡精確率與召回率 |
```text
F1 = 2 * (Precision * Recall) / (Precision + Recall)
``` |
| **ROC-AUC** | 綜合評估二分類器 |
```text
AUC =
``` |
| **MSE / RMSE** | 回歸問題 |
```text
RMSE = sqrt(mean((y_true - y_pred)^2))
``` |
> **注意**：在不均衡資料下，Accuracy 可能會產生誤導。建議先用 **Precision‑Recall 曲線** 或 **AUC‑PR** 作為主要指標。
### 4.3 交叉驗證與參數調整
> **交叉驗證**（Cross‑Validation）是評估模型泛化能力的核心手段。以下是實務建議：
>
> - **K‑Fold CV**：常用 K=5 或 K=10。若資料量極大，使用 **Stratified K‑Fold** 以保證每折的類別比例一致。
> - **時間序列**：使用 **Time‑Series Split**，確保驗證資料永遠在訓練資料之後。
> - **驗證報表**：建議產生 **confusion matrix**、**feature importance**、**partial dependence plots** 等，便於後續解釋。
#### 參數調整工具
| 工具 | 說明 |
|---|---|
| `GridSearchCV` | 網格搜尋，適合小規模參數空間 |
| `RandomizedSearchCV` | 隨機搜尋，適合大規模參數空間 |
| `Optuna` | 標準化的 Bayesian 優化，能自動調整步驟 |
> **實務提醒**：參數調整時間成本高，建議先用 **RandomizedSearchCV** 掃描大範圍，後續再用 **GridSearchCV** 精細調整。
### 4.4 模型部署與持續監控
| 步驟 | 工具 | 目的 |
|---|---|---|
| 1. 模型序列化 | `pickle` / `joblib` / `ONNX` | 將訓練好的模型保存於檔案 |
| 2. API 建立 | `FastAPI` / `Flask` | 將模型封裝為可供前端呼叫的 REST 接口 |
| 3. 監控 | `Prometheus` + `Grafana` | 追蹤預測延遲、錯誤率、資料漂移 |
| 4. 迭代 | CI/CD pipeline (GitHub Actions, GitLab CI) | 自動化模型重訓與部署 |
> **監控重點**：
> - **輸入資料分佈變化**（Drift）：使用 **Kolmogorov‑Smirnov** 檢驗或 **Population Stability Index (PSI)**。
> - **模型性能衰退**：定期評估 AUC、F1 分數，設定閾值觸發重訓。
### 4.5 案例：客戶流失預測
#### 1. 背景
某電信公司想預測哪些客戶將在下個月離開，預期提前 1‑2 個月發送個性化優惠以降低流失率。
#### 2. 資料描述
- **客戶資料**：年齡、性別、合約期限、使用量、客服呼叫次數、付款方式等。
- **標籤**：`churn`（1/0）。
#### 3. 選擇模型
- 先用 **Random Forest** 進行基線評估：
```python
from sklearn.ensemble import RandomForestClassifier
rf = RandomForestClassifier(n_estimators=200, max_depth=8, random_state=42)
rf.fit(X_train, y_train)
```
- 然後嘗試 **XGBoost**：
```python
import xgboost as xgb
xgb_model = xgb.XGBClassifier(n_estimators=300, learning_rate=0.05, max_depth=6, subsample=0.8, colsample_bytree=0.8, random_state=42)
xgb_model.fit(X_train, y_train)
```
#### 4. 評估結果
| 模型 | Accuracy | Precision | Recall | F1 | AUC |
|---|---|---|---|---|---|
| Random Forest | 0.84 | 0.78 | 0.70 | 0.74 | 0.88 |
| XGBoost | 0.86 | 0.81 | 0.74 | 0.77 | 0.90 |
> **決策建議**：採用 XGBoost，因其在召回率與 AUC 上皆優於 Random Forest。根據模型重要性，調整客戶細分策略：
> - **高呼叫頻率** 的客戶需要優先關注。
> - **長期合約** 的客戶即使流失風險高，折扣力度仍需控制。
#### 5. 部署示例
```python
import joblib
joblib.dump(xgb_model, 'xgb_churn.pkl')
```
建立 FastAPI 服務：
```python
from fastapi import FastAPI
import joblib
app = FastAPI()
model = joblib.load('xgb_churn.pkl')
@app.post("/predict/")
async def predict(features: dict):
df = pd.DataFrame([features])
prob = model.predict_proba(df)[:,1]
return {"churn_probability": prob[0]}
```
---
### 小結
本章以模型選擇、評估、驗證與部署為核心，強調「可操作性」與「可解釋性」。對於非技術決策者，重點在於：
1. **選擇合適的模型類型**，避免「模型即一刀切」的陷阱。
2. **使用合適的評估指標**，防止因資料不均衡而產生誤導。
3. **實行交叉驗證**，確保模型泛化能力。
4. **部署與監控**，確保模型長期有效，並在必要時進行迭代。
通過實務案例，我們見證了從特徵到模型、再到商業落地的完整迴圈。下一章將聚焦於「模型解釋與溝通」，協助決策者將模型洞察轉化為具體策略。