模型評估與優化 

  模型訓練完成後，必須 透過  評估指標  對  模型效能   進行驗證，

  並   根據結果   進一 步    優化模型。

 A. 效能評估指標 

         不同任務對模型效能的要求不同，常用的評估指標包括： 

        a. 準確率（Accuracy）：

            衡量模型  預測正確 的比例，適用於平衡的分類問題。

        b. F1 分數（F1 Score）：

             綜合考慮   精確率（Precision）和   召回率（Recall），

             適合處 理  數據不平衡  的 問題。

        c. 均方誤差（MSE）：

          適用於迴歸問題，反映  預測誤差 的  大小。

   B. 交叉驗證 

         交叉驗證 是一種  評估模型穩健性  的技術，透過  將數據集分割

          為 多個子集，      反 覆進行  訓 練 與  測  試，有效降低 過擬合風險

           並提升模型  的   泛化能力。

           其中，K 折交 叉驗證（K-Fold Cross-Validation）

          是最常見的方法，將數據集平均分成K個子集 （折），

           每次選擇其中一個  子集  作為  測試集，其餘 K-1個子集  作為訓練集，

          重複K 次後  取  平均評估結果，以獲得模型的整體表現。

    C. 模型調參 

        模型優化 的最後一步是  調整超參數，這一過程稱為「調參」。

         常見的方法包括： 

         a. 網格搜索（Grid Search）：

                在預定範圍  內 逐一嘗試   超參數組合。

         b. 隨機搜索（Random Search）：

               隨機選擇  超參數 進行測試，適合  高維度 的  參數空 間。

           c. 貝葉斯優化（Bayesian Optimization）：

               透過 構建  代理 模型，根據歷史結果  逐步尋 找  最優參數。