1.0Camdemy1.0http://eclass.uch.edu.tw20231225Ahttp://eclass.uch.edu.tw/user/0http://eclass.uch.edu.tw/sysdata/doc/a/a69357986857dfff/thumb_l.jpg360640<iframe width='720' height='405' id='ccShare31944' frameborder='0' scrolling='no' src='http://eclass.uch.edu.tw/media/e/31944'></iframe>video72040517:36index 101Slide 102機器學習前準備— 以 Iris 為例03Slide 304先瞭解各行的標題與資料型別 → 檢查無缺失值的問題 → 刪除重複值 ( 共3 筆) 後重新編號列索引 → 將Species ( 類別) 欄位中的文字轉換成數值05Slide 506探索性資料分析得知，花萼及花瓣的長度與寬度等4 個特徵與類別具有重要的關聯性採用這4 個行資料做為機器學習的特徵值 (Feature)類別 (Species)作為標籤 (Label)。07Slide 708機器學習前實作— 以 Iris 為例099-2-1 提出具體的假設0109-2-2 找出機器學習模型011Slide 11012分割資料集機器學習用的資料集通常會分為兩堆一堆稱為「訓練用資料(Training Data)」，另一堆稱為「測試用資料 (Test Data)」。通常前者資料量會佔 80%，而後者則佔 20%。013** after CH09-機器學習實戰 (二)：用 K最近鄰法做分類.pptx014Slide 1015機器學習前準備— 以 Iris 為例016Slide 3017先瞭解各行的標題與資料型別 → 檢查無缺失值的問題 → 刪除重複值 ( 共3 筆) 後重新編號列索引 → 將Species ( 類別) 欄位中的文字轉換成數值018Slide 5019探索性資料分析得知，花萼及花瓣的長度與寬度等4 個特徵與類別具有重要的關聯性採用這4 個行資料做為機器學習的特徵值 (Feature)類別 (Species)作為標籤 (Label)。020Slide 7021機器學習前實作— 以 Iris 為例0229-2-1 提出具體的假設0239-2-2 找出機器學習模型024** after CH09-機器學習實戰 (二)：用 K最近鄰法做分類.pptx025fs1920x1080720x4041280x7201920x1080http://eclass.uch.edu.tw/sysdata/doc/a/a69357986857dfff/thumb.jpghttp://eclass.uch.edu.tw/sysdata/doc/a/a69357986857dfff/cover.jpghttp://eclass.uch.edu.tw/sysdata/doc/a/a69357986857dfff/video/thumbs/storyboard.jpghttp://eclass.uch.edu.tw/sysdata/doc/a/a69357986857dfff1