Model Development · 全流程地圖
模型開發
從問題到上線的完整流水線
做 AI 不是按一下訓練就好。模型開發是一條八階段的迭代流水線——
問題定義、EDA、清洗、特徵、切分、基準、訓練調參、評估，缺一不可。
問題 → 資料 → 特徵 → 切分 → 基準 → 訓練 → 評估（會回頭迭代）
做 AI 不是按一下訓練就好。模型開發是一條八階段的迭代流水線——
問題定義、EDA、清洗、特徵、切分、基準、訓練調參、評估，缺一不可。
很多人以為做 AI 就是「丟資料、按訓練、出模型」。其實真正寫 model.fit() 的時間不到 10%，前面的問題定義、資料清洗、特徵工程才是決定成敗的關鍵。模型開發是一條有順序、會回頭的流水線。
問題沒定義好，後面全白做。
評估不好，常要回去調特徵或資料。
清洗與特徵決定上限，模型只是逼近它。
這頁是整條「模型開發」路線的地圖。下面點任一步驟，看它在做什麼、為什麼重要、以及和前後步驟的關係。
下面是模型開發的8 個階段。點任一節點，看它的職責與重點；注意它是一條主線向右、但隨時可能回頭的迴圈——評估不佳就繞回特徵工程或資料清洗。
每個階段都有它的任務與常見陷阱，點一下看說明。
紅色虛線箭頭代表「迭代回頭」：模型評估沒過關，最常見的修法不是換模型，而是回去把資料和特徵做得更好。
大致為問題定義→資料蒐集與清理→特徵工程→選模型與訓練→驗證與調參→部署→監控與維運，是反覆迭代而非一次到位。
訓練與驗證集用來訓練與調參，若拿同一批評估會高估表現；獨立測試集只在最後評估一次，才能反映真實泛化能力。
驗證集用於調整模型(選超參數、早停)；測試集用於最終評估，過程中不可拿來調整，否則等於間接洩漏、分數失真。
資料洩漏、用測試集調參、評估指標選錯(不平衡只看 Accuracy)、訓練與上線資料分布不一致、忽略基準線(baseline)比較。
先用簡單模型或規則當基準，才能判斷複雜模型是否真的有價值；若複雜模型贏不了基準，可能是資料或設定有問題。