Karina 正在評估 3 種不同的監督式機器學習模型，用來偵測銀行交易是否為詐欺。Karina 知道訓練資料的一大弱點，是有效交易的樣本遠比詐欺交易多。
下面的圖顯示各模型對交易為詐欺或有效的「預測」情況，與交易實際上為詐欺或有效的「真實」情況相比如何：
根據這些資料，哪一個模型在同時偵測詐欺與有效交易方面表現最好？為什麼？
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
我們會先定義什麼是資料科學。接著介紹資料科學的工作流程，以及如何應用在真實世界的問題上。最後，你會認識資料科學領域中的不同職務。
既然已經理解資料科學的工作流程，現在更深入第一步：資料蒐集與儲存。你會學到可以取用的各種資料來源、資料的樣貌、資料蒐集後如何儲存，以及如何用資料管線自動化整個流程。
資料準備是基礎：資料科學家有 80% 的時間在清理與處理資料，只有 20% 的時間在實際分析。本章會帶你診斷資料中的問題，處理遺漏值與離群值。接著你會學到視覺化，這是同時用來探索資料並傳達發現的關鍵工具。
在最後一章，我們要討論實驗與預測！從實驗開始，我們會介紹 A/B 測試，接著進入時間序列預測，學習如何預測未來事件。最後以機器學習作結，帶你認識監督式學習與分群。
當前練習
