簡介
並非所有模型都是可繪製成線條的簡單數學方程式。 相反地，有些複雜的模型更像是流程圖或傳統的程式設計結構。 這類模型通常可進行額外的自訂，而獲得更大的威力，但也更難使用。 在這些練習中，我們將藉由操作模型的運作方式和訓練方式來探索這方面的情況。 雖然我們只會專注說明一種模型，但此處所教授的一般性原則也適用於其他許多的模型類型。
案例：使用機器學習來預測運動賽事結果
在本課程模組中，我們將在說明有關模型架構和超參數的概念時，參考下列範例案例。 此案例的設計是一開始會以複雜的型態出現，但隨著練習的進行，我們將會了解您能如何使用一些關鍵想法和實驗來處理這個模型。
比賽誓言包含三個拉丁單字：Citius - Altius - Fortius。 這幾個字的意思是更快、更高、更強。 由於有這個誓言，因此各式比賽已大幅納入射擊、風帆和團隊運動。 我們想要探討在預測誰會在地球上最知名的運動賽事中贏得獎牌時，基本生理特徵仍所扮演的角色。 至此，我們將會探討韻律體操：這是一項結合舞蹈、體操和柔軟體操的新增賽事。 這項比賽需要的是敏捷性、柔軟性、靈活性和協調性，所以我們可能會以為年齡、身高和體重等基本特徵所扮演的角色有限。 讓我們用一些更進階的機器學習模型，看看這些基本因素真正的重要性。
必要條件
- 熟悉機器學習模型
學習目標
在本單元中，您將：
- 探索新的模型類型：決策樹和隨機樹系。
- 了解模型架構會如何影響效能。
- 練習使用超參數來改善訓練效果。