還記得信用資料集嗎？既然你現在更了解各種指標，就再來看看隨機森林在這個資料集上的表現如何。你已經訓練好分類器，並在測試資料上得到混淆矩陣。測試資料與結果已提供為 tp、fp、fn、tn，分別代表真正例、假正例、假負例與真負例。你也有測試資料的真實標籤 y_test，以及模型的預測標籤 preds。此外，f1_score() 與 precision_score() 也已匯入可用。
tp
fp
fn
tn
y_test
preds
f1_score()
precision_score()
本練習屬於課程
試著完成這個範例程式碼，體驗一下這個練習。
print(____(____, preds))
本章將帶你複習監督式學習的標準工作流程，涵蓋模型擬合、調校與選擇、特徵工程與選擇，以及資料切分技巧。你會了解流程中各步驟彼此的依存關係，並辨識它們如何共同抑制或加劇過度擬合——資料科學家最頭痛的問題。完成本章後，你將熟練掌握監督式學習，並準備好在後續章節挑戰更進階的主題。
在上一章中，你已經熟悉標準的監督式學習流程。本章將批判性地檢視如何將專家知識融入監督式學習。方法包括：辨識合適的分析單位（可能需要跨多個資料來源進行特徵工程）、面對不完美的樣本標註流程，以及訂定能反映商業價值、捕捉模型錯誤真實成本的損失函式。
當前練習
在上一章中，你以多種方式把專家回饋納入工作流程，並用與商業價值一致的方式進行評估。現在，該是實作將模型產品化的技能，並透過持續迭代來確保模型日後仍維持良好表現。你也會學到如何診斷資料集移轉，並緩解環境變化對模型準確度的影響。
前幾章中，你已為監督式學習打下穩固基礎，並學會將模型部署到生產環境，但一直假設分析可取得有標籤的資料集。本章要挑戰的是在沒有或僅有極少標籤的情況下進行建模。你將探索異常偵測這類非監督式模型，以及以距離為基礎的學習方法，利用對「兩個樣本何謂相似」的判斷來取代標籤，達到可與監督式流程相當的準確度。完成本章後，你將清楚知道如何調整工作流程，來克服常見的真實世界難題，並在資料科學家中脫穎而出。