:::warning ctrl + i 可尋找方法或類別的相關資訊 dataset.info() # 資料類別、是否有缺失資料等資訊 養成習慣： 執行完每列程式後，記得檢查變數是否取用正確 ::: Get the dataset

介紹 <font color="#3355FF">一個</font>應變數($Y$)和<font color="#3355FF">一個</font>自變數($X$)之<font color="#008000">線性關係</font>(皆為<font color="#f00">連續型數</font>) 目的： 解釋data過去現象 利用自變數($X$)來預測應變數($Y$)的未來可能數值 方程式：$y = b_0 + b_1x_1$

介紹 假設特徵之間強（樸素）獨立下運用<font color="#3355FF">貝氏定理</font>為基礎的簡單機率分類器 特徵之間為相互獨立的(但現實中不太可能完全獨立)，公式為$P(A|X)=\cfrac{P(X|A)*P(A)}{P(X)}$($X$為特徵，$A$為類別) 貝式定理 公式：$P(A|B)=\cfrac{P(B|A)*P(A)}{P(B)}$ $P(A|B)$表示==在B發生的情況下，A發生的機率為何== 例子

:::info 可參考機器學習 - 多元線性回歸(Multiple Linear Regression) ::: 介紹 方程式：$R^2=1-\cfrac{SS_{res}}{SS_{tot}}$ $R^2$大代表模型是理想的 $R^2$落在0~1之間 自變量不論是否改變，都不會影響<font color=indigo>總平方和$SS_{tot}$</font>，故分母不變

介紹 <font color="#3355FF">一個</font>應變數($Y$)和<font color="#3355FF">一個或多個</font>自變數($X$)間多項式的回歸分析方式 一個自變量 --> 一元多項式回歸 多個自變量 --> 多元多項式回歸 一元回歸分析中，應變數($Y$)與自變數($X$)為<font color="#008000">非線性關係</font>時，可採用一元多項式回歸 目的： 解釋data過去現象 利用自變數($X$)來預測應變數($Y$)的未來可能數值