# 理解模型演算法 演算法是產生模型的數學配方。這採用輸入內容 (即您的資料集)，並產生輸出內容 (即模型)。每個演算法都有不同的優點和缺點。 選擇目標時，Qlik Predict 會為該使用情況自動選取最佳演算法。目標會決定要使用哪種演算法。 在下列情況會使用最適合二進位和多類別分類問題的演算法： * 目標只有兩個唯一值，如同在「客戶是否會取消訂閱？」的問題中，有「是」或「否」兩個值。 * 目標是字串值，以及三到十個唯一值。例如，以「紅色」、「藍色」、「綠色」或「黃色」之一的目標決定最佳行銷活動混合。 若目標是數字欄，則會使用最適合迴歸問題的演算法。預測有多少客戶將會購買是迴歸問題的範例。 ## 用於二進位和多類別分類問題的演算法 Qlik Predict 對二進位和多類別分類問題使用下列演算法： * CatBoost 分類 * 彈性網迴歸 * 高斯貝氏機率分類 * 套索迴歸 * LightGBM 分類 * 邏輯迴歸 * 隨機樹系分類 * XGBoost 分類 ## 用於迴歸問題的演算法 Qlik Predict 對迴歸問題使用下列演算法： * CatBoost 迴歸 * LightGBM 迴歸 * 線性迴歸 * 隨機樹系迴歸 * SGD 迴歸 * XGBoost 迴歸 ## 時間序列問題的演算法 Qlik Predict 對時間序列問題使用下列演算法： * 時間序列 DeepAR * 時間序列 Mixer * 時間序列 Dense Encoder ## 不同的模型類型 模型類型可分為迴歸模型、系集、時間序列模型和其他類型的機器學習模型。 ### 迴歸模型 迴歸模型或一般線性模型，是沿著每個彼此獨立之變數的網域尋找趨勢的模型。如同代數方程式 y = mx+b，該演算法希望為每個 x 和 y 值選擇平均會產生最高準確度的 m 和 b。這在有多個變數時通常是相同概念。線性迴歸和邏輯迴歸是迴歸模型的範例，分別適用於迴歸問題和分類問題。 對於分類問題，迴歸模型輸出是樣本為正分類的機率。這表示 y 等於機率，而非實際值。 迴歸很擅長尋找資料中的線性趨勢，但有時候會有非線性的關係。為了讓迴歸能夠順利配合非線性模式，在訓練模型之前需要資料轉換。對線性關係理解力強的優點是線性關係通常最適合搭配[外插法](https://help.qlik.com/zh-TW/cloud-services/Subsystems/Hub/Content/Sense_Hub/AutoML/extrapolation-interpolation.htm)。表格列出迴歸模型的優點和缺點。 | 優點 | 缺點 | | --- | --- | | | | ### 系集模型 系集是合併多個模型時的情況。這可以比擬為一群背景不同的人投票並使用平均票數來決定。隨機森林和 XGBoost 是系集模型的範例。 系集可以解決迴歸問題和分類問題。這擅長尋找非線性關係以及發現變數之間的互動如何影響目標。雖然系集擅長學習所訓練的資料範圍內的模式，但對於所見範圍以外的值，預測狀況很差。表格列出系集模型的優點和缺點。 | 優點 | 缺點 | | --- | --- | | | | ### 時間序列模型 時間序列模型是使用利用 GPU 加速和基於神經網絡方法的深度學習演算法來進行訓練。這些模型經過訓練，可產生對應特定日期和時間的預測。時間序列模型支援涉及多變量目標的預測，以及靜態、過去和未來的共變量。 時間序列模型需要大量的運算能力。 ### 其他模型類型 其他模型類型包括所有其他模型類型。範例包括近鄰 (Nearest Neighbors) 和高斯貝氏機率分類 (Gaussian Naive Bayes)。這些模型類型通常會嘗試建立新的資料空間呈現，方法通常是建立某種衡量兩個不同記錄差距的距離指標。這擅長處理非線性趨勢，但隨著資料集大小增加，在運算上會更為昂貴。表格列出其他模型的優點和缺點。 | 優點 | 缺點 | | --- | --- | | | |