# 用房價預測，把機器學習五步驟串成一個完整範例


<!--more-->

## 前言

本篇是「機器學習基礎觀念」系列的第 8 篇文章。在先前的文章中，我們已經依序走過機器學習的五個步驟：[定義問題](../define-problem/)、[建立資料集](../prepare-dataset/)、[模型訓練](../model-training/)、[模型評估](../model-evaluate/)與[模型推論](../model-inference/)。這五步驟拆開來看都不難，但真正要動手時，最容易卡住的往往是「這個問題到底該怎麼對應到這五步」。

所以這篇不再談新觀念，而是拿「房價預測」這個經典題目，把五步驟從頭到尾重跑一次，看看每個步驟在實際任務裡各自負責什麼事。

房價預測之所以常被當成入門例子，是因為它的目標很直覺：給你一間房子的條件，猜它值多少錢。如果你已經有基本觀念，想再往下練，可以直接參加 Kaggle 上的 [House Prices – Advanced Regression Techniques 競賽](https://www.kaggle.com/c/house-prices-advanced-regression-techniques/overview)，用真實資料集把觀念磨得更扎實。

## 步驟 1：定義問題

{{< image src="define-problem.jpg" alt="機器學習五步驟中「定義問題」步驟的示意圖。" caption="定義問題" >}}

在房價預測的任務中，我們希望模型能觀察房子本身的「屬性」，例如房間數量、衛浴數量、坪數、地理位置，再由這些屬性去預測房子的價格。

因此我們要收集的是一批樣本，每個樣本代表一間房子，裡面記錄著該房子的種種屬性以及目前的售價。整理出來大致長這樣：

{{< image src="example-dataset.jpg" alt="範例房價資料集的表格，每一列是一間房子，欄位為房間數、坪數等屬性，最後一欄是售價。" caption="範例房價資料集" >}}

有了這張表，問題的性質就能定調了。因為每一間房子的「價格」我們手上都有，等於每筆資料都附帶正確答案，所以這是一個**監督式學習 (Supervised Learning)** 的問題。

再看模型要輸出什麼：房價是一個連續數值（1,280 萬、1,283 萬都是合法答案），不是「貴／便宜」這種類別，所以它屬於**回歸 (Regression)** 問題，而不是分類問題。這兩個判斷會直接決定後面選什麼模型、用什麼指標評估，所以第一步值得花時間想清楚。

## 步驟 2：建立資料集

問題定義完，接著就是把資料準備到「可以餵進模型」的狀態。這個階段主要包含以下幾件事：

- **收集資料 (Data Collection)**
  資料集的取得管道非常多元，最簡單的方式就是在網路上找現成的。例如 [Kaggle Dataset](https://www.kaggle.com/datasets) 就存放了大量可直接拿來訓練模型的資料集。
- **資料探索 (Data Exploration / Data Inspection)**
  目的在於更了解資料內容，尤其是搞清楚每一個屬性的型態。如果某個欄位是字串（例如地理位置寫成「信義區」），就必須先轉成數字，模型才吃得下去。
- **資料清理 (Data Cleaning)**
  探索的過程中，常會發現某些樣本的數值有缺失。例如第 043 個樣本缺「價格」、第 103 個樣本缺「坪數」。我們可以用一些統計方法把缺失值補起來，也可以乾脆把該樣本從資料集中刪掉。
- **概述統計 (Summary Statistics)** 與**資料視覺化 (Data Visualization)**
  清理完之後，透過統計指標總結資料集的整體樣貌，或是把樣本的分布畫成圖表，讓自己對手上這份資料有個大致的感覺。

## 步驟 3：模型訓練

資料集建立好之後，就可以建立模型並開始訓練。動手之前通常會先把整份資料集切成「訓練資料集」(80%) 與「測試資料集」(20%)，目的是留一批模型沒看過的資料在手上，訓練結束後才有辦法公正地評估它的預測品質。如果全部拿去訓練，模型考的是自己讀過的考古題，分數再高也不代表什麼。

在定義問題的階段，我們已經確認房價預測屬於回歸問題，所以這裡自然會選用**回歸模型 (Regression Model)** 來訓練。

實作回歸模型的工具很多：想用傳統機器學習的做法，可以使用 [scikit-learn](https://scikit-learn.org/stable/)；想改用深度學習的做法，則可以使用 [TensorFlow](https://www.tensorflow.org/) 或 [PyTorch](https://pytorch.org/)。

## 步驟 4：模型評估

訓練完成後，就輪到前面刻意留下來的「測試資料集」(Testing Dataset) 上場，用它來評估模型的好壞。在[〈使用機器學習解決問題的五步驟：模型評估〉](../model-evaluate/)那篇文章中曾提到，分類模型與回歸模型各自有一整套評估指標可以選。

房價預測是回歸問題，常見的評估指標有 **MAE (Mean Absolute Error)**、**MSE (Mean Squared Error)** 與 **RMSE (Root Mean Squared Error)**。

{{< image src="common-loss-function-for-regression.jpg" alt="回歸問題中常見損失函數 MAE、MSE、RMSE 的公式對照。" caption="Regression 問題中常見的 Loss Function" >}}

這個系列不會深入數學的部分，不過方向抓住就夠用了：不管是 MAE、MSE 還是 RMSE，它們要算的都是同一件事——模型的「預測值」跟實際的「正確數值」差得有多遠。差距越小，代表模型預測得越準。

## 步驟 5：模型推論

模型評估過、確認品質可以接受之後，就能實際拿它來預測房價了。把模型在訓練階段沒見過的樣本輸入進去，得到模型輸出的預測值，這就是模型推論 (Model Inference)。到這一步，前面四步的工才真正變成可以用的東西。

## 結論

這篇文章用「房價預測」的例子，把機器學習五步驟從頭複習了一次，也看到每個步驟在實際解題時各自扮演的角色：定義問題決定了這是監督式學習中的回歸任務，建立資料集把原始資料整理成模型吃得下的形式，訓練與評估負責產出並驗證模型，最後由推論把模型送上場。

房價預測是監督式學習的例子。[下一篇文章](../book-clustering/)會同樣套用這五步驟，來看一個生活中「非監督式學習」的例子。