預測模型（監督式學習）

Machine Learning for Business

Karolis Urbonas

Head of Machine Learning & Science, Amazon

監督式 vs. 非監督式

監督式模型

預測結果的「類別/型別」（如取消訂閱、詐騙、購買）－「分類」CLASSIFICATION

預測結果的「數量」（如花費金額、遊玩時數）－「迴歸」REGRESSION

非監督式模型

分群－將觀測分到相似的群組（如顧客或市場分群）

監督式學習類型

「分類」－目標變數為類別（離散）（結果的類別）（classification）

這位顧客會取消訂閱嗎？

這筆交易是否為詐騙？

這位使用者的職業是什麼？

「迴歸」－目標變數為連續（結果的數量）（regression）

下個月的購買次數

明年的遊戲時數

在保險上的花費金額

資料蒐集

機器學習團隊應蒐集可用資料，以最高準確度預測目標結果。例如購買預測：

顧客資訊

購買紀錄、取消、訂單金額

瀏覽歷程、記錄、錯誤

裝置細節與位置

產品/服務使用頻率

以及其他…

分類範例

分類－訓練

分類－學習

分類－未見資料

分類－預測

迴歸範例

迴歸－訓練

迴歸－學習

迴歸－未見資料

迴歸－預測

迴歸－實際預測

一起來練習吧！

Machine Learning for Business