第 9.4 節 RapidMiner 教學，以內建 Titanic 資料比較多種分類模型。
理解 Auto Model 如何依序完成資料選擇、目標設定、欄位選擇、模型建置與比較。
目標變數為 Survived。原書讓 RapidMiner Auto Model 同時訓練、測試多種模型並調整超參數。
| 設定 | 原書內容 |
|---|---|
| 資料集 | RapidMiner Samples → Data → Titanic |
| 任務 | Predict |
| 目標變數 | Survived |
| 輸入欄位 | 採用 Auto Model 預設建議 |
| 模型 | 選取所有建議模型類型並使用建議預設參數 |
選資料 → 指定 Predict／Survived → 準備資料 → 選輸入 → 選模型 → RUN → 在結果介面比較模型。
原書指出數個模型的分類錯誤率低於 3%；其中深度學習最準確，而決策樹建模最快。原書正文沒有列出各模型的精確錯誤率與訓練秒數，因此不補造排名細數。
自動化工具能快速建立比較基準，但「最準確」與「最快」是不同目標；實務部署還要考慮解釋性、成本與維護需求。
根據原書「多個模型錯誤率 <3%、深度學習最準、決策樹最快」整理速度與準確度的取捨；不得建立未提供的模型分數表。
問題： 若決策者要求可快速解釋規則，是否一定選原書最準確模型？
參考解答： 不一定；原書只指出準確度與速度差異，實務還需把模型使用條件納入選擇。