尽管都是模型，但预测模型目的在於预测未来，所以开发方式也会和描述型模型有所差异。

Initiation

起始阶段要确认的事情跟之前差不多。

商业意图是否明确：商业意图不是指明确的需求，而是想利用这个预测模型做什麽。例如「想预测使用者会不会点击」，这只能算是需求；「想透过提高使用者点击率提高使用者观看数」这样才是比较完整的商业意图。因为使用者可能会提出无法满足商业意图的需求，这时候做了也是白做，所以最重要的事情就是确认商业意图。

需求：不管预测人数、预测点击、预测营收都是单纯的预测目标。如果商业意图还不明确的话，就还需要在回到上一步多着墨，至少要需要变成一个比较明确方向的问题，才有办法往下走。

资料来源是否足够：这关乎到「能不能回答问题」，那如何判断需求可否被预测？很多人（特别是老板）会觉得模型无所不能，什麽都可以预测。尽管现在预测模型种类繁多，但标准很简单 - 「有标注的资料是否够多？」现在大多数的预测模型都是需要 ground true（亦即标准答案），来做为训练资料，如果一个问题手上有的标注资料不够、或是这个问题根本无法很好的被标注，那就表示这个问题做起来风险很高（或做不出来）。

Design

预测模型在设计上就有很多选择了，最主要就是要区别到底要预测什麽

• 预测数值
• 预测类别
  • 双类别
  • 三或三以上个类别

接着就是照一些小细节去选择对应的模型。

(https://bigdataanalyticsnews.com/machine-learning-with-python-a-revolution-in-the-field-of-data-analytics/)

如果是 Deep Learning 的话，也是根据需求来选择相应的结构，像是

影片/影像辨识：走 CNN 路线
声音/文字辨识：走 LSTM 路线
对抗训练：走 GAN 路线

(https://www.techwebspace.com/9-ways-to-become-the-macgyver-of-deep-learning/)

总之细节很多，就有待各位大大来补充。

Implement

在开发预测模型上，步骤就比较复杂。

在做预测模型时，通常会先使用过去的资料，接着将资料分为 Traning Set(1a) 和 Testing Set(1b)。

接着会使用 Training Set 代入演算法来训练模型（2a）。接着我们会用训练好的模型来做资料验证（有些套件会将Training Dataset 分成 Training Set 和 Evaluation Set(3b)），透过这样的过程来优化演算法的参数。并透过之前分出去的 Testing Set 来验证不同演算法的优劣。

最後我们会选出最好的模型进入正式环境(4,5)，并用来预测正式资料。

Deployment

ML 模型部署部分是最近最热门的题目 - MLOps 值得用一整篇来写。