1.5 Compile、Fit、Evaluate、Predict

範例程式：

Keras 的訓練流程可以濃縮成四個方法：compile()、fit()、evaluate()、predict()。幾乎所有 supervised learning 任務都會反覆使用這四個步驟。

1. 學習目標

這篇使用 Wine 多類別分類資料集，示範模型從建立後如何編譯、訓練、評估與預測。Wine Dataset 每筆資料是一款葡萄酒的化學分析數值，目標是判斷它屬於哪一個酒品類別。這份資料乾淨、類別明確、特徵數適中，適合用來練習 Keras 的標準訓練流程。

本篇重點不是追求複雜模型，而是建立可重複套用的四步流程：先用 compile() 定義訓練規則，再用 fit() 訓練模型，接著用 evaluate() 檢查整體表現，最後用 predict() 取得逐筆預測結果。

2. 四個方法各自做什麼？

方法	用途
compile()	指定 optimizer、loss 與 metrics
fit()	使用訓練資料更新模型權重
evaluate()	在訓練集、驗證集或測試集上計算指標
predict()	對新資料輸出模型預測結果

3. compile 的設定邏輯

model.compile(
    optimizer='adam',
    loss='sparse_categorical_crossentropy',
    metrics=['accuracy']
)

多類別分類若標籤是整數類別，例如 Wine Dataset 中的 0, 1, 2，常用 sparse_categorical_crossentropy。若標籤已經 one-hot encoding，則常用 categorical_crossentropy。

compile() 是把任務型態轉成訓練設定的地方。輸出層、loss 與 metrics 必須互相對齊，否則模型即使能跑，也可能不是在解正確的問題。

4. fit 的回傳值很重要

model.fit() 會回傳 History 物件，裡面保存每個 epoch 的 loss、accuracy、validation loss 與 validation accuracy。這些紀錄可以用來畫 learning curve，觀察模型是否收斂或過擬合。

5. evaluate 與 predict 的差異

evaluate() 用來算整體分數，predict() 用來取得每筆資料的預測結果。實務上通常會先用 evaluate() 看整體表現，再用 predict() 分析錯誤案例。

在本篇 Wine 多類別分類範例中，predict() 會輸出每一類的機率，接著用 argmax 取得預測類別。若只看 evaluate() 的 accuracy，會少掉逐筆預測與錯誤分析的資訊。

6. 如何套用自己的資料？

只要把資料整理成：

x_train, y_train
x_test, y_test

接著確認輸出層與 loss 符合任務，就能套用相同流程。

例如：

任務	輸出層	Loss
回歸	Dense(1)	mse
二元分類	Dense(1, activation='sigmoid')	binary_crossentropy
多類別分類，整數標籤	Dense(num_classes, activation='softmax')	sparse_categorical_crossentropy
多類別分類，one-hot 標籤	Dense(num_classes, activation='softmax')	categorical_crossentropy

7. 小結

compile()、fit()、evaluate()、predict() 是 Keras supervised learning 的核心四步。後續不論是 DNN、CNN、RNN 或 Transformer，都會圍繞這個流程展開。