Scikit-Learn 範例
這裡介紹四個機器學習實作範例，分別使用 SVM（分類）、線性回歸（回歸）、K-Means（分群）、PCA（降維） 來解決不同類型的問題。
📌 1. 分類（Classification）
在這個範例中，我們使用SVM來分類鳶尾花資料集。
什麼是SVM？
SVM（Support Vector Machine，支持向量機） 是一種常見的 分類演算法，它會找到一條最佳的「決策邊界」來將不同類別分開。
資料集(Dataset)
鳶尾花資料集
SVM 適合應用
✔ 垃圾郵件偵測 📩
✔ 健康診斷（是否患病）🏥
📌 2. 回歸（Regression）
在這個範例中，我們使用線性回歸(Linear Regression)來預測數據的值。
什麼是線性回歸？
線性回歸（Linear Regression） 是一種常見的 迴歸方法，它嘗試找出「輸入數據與輸出結果之間的直線關係」，用來預測數值。
資料集(Dataset)
使用亂數產生的資料集。
線性回歸適合應用
✔ 預測房價 🏡💰
✔ 預測氣溫 🌡️
✔ 預測銷售額 📊
📌 3. 分群（Clustering）
在這個範例中，我們使用 K-Means（K 均值演算法）針對資料做分群的動作。
什麼是 K-Means？
K-Means（K 均值演算法） 是一種 無監督學習（Unsupervised Learning） 方法，它能夠將數據分成 K 個群組（Clusters），而不需要標籤。
資料集(Dataset)
使用亂數產生的資料集。
K-Means 適合應用
✔ 客戶分類（市場行銷）🛍️
✔ 圖像分割（電腦視覺）📸
✔ 社群網絡分析（分組用戶行為）👥
📌 4. 降維（Dimensionality Reduction）
在這個範例中，我們使用PCA來做降維的動作，將鳶尾花資料集的維度降到二維，再畫出資料的分布圖。
什麼是 PCA？
PCA（Principal Component Analysis，主成分分析） 是一種 降維技術，它可以把「高維度數據」轉換成「低維度數據」，幫助視覺化或提高運算效率。
資料集(Dataset)
鳶尾花資料集。
PCA 適合應用
✔ 圖像壓縮 📷
✔ 基因數據分析 🧬
✔ 高維數據視覺化 📊
📝 5. 總結
| 類別 | 使用方法 | 適用範圍 |
|---|---|---|
| 分類（Classification） | SVM（支持向量機） | Email 垃圾郵件分類📩🚫、圖像辨識🐶🐱 |
| 回歸（Regression） | Linear Regression（線性回歸） | 預測房價🏡💰、氣溫🌡️ |
| 分群（Clustering） | K-Means（K 均值演算法） | 客戶分群🛒👥、市場行銷📢 |
| 降維（Dimensionality Reduction） | PCA（主成分分析） | 降低維度📊📉、影像處理📷 |
📌 這四種方法是機器學習最常見的基礎技術，適用於不同的應用場景！🚀🔥