案例01｜Figures 11.1–11.5＋Exercise 11.1：R、RStudio、Help 與 Packages
案例02｜Figures 11.6–11.12：Advertising Data 的探索與視覺化
案例03｜Figures 11.13–11.14：Regression Residuals、QQ Plot 與 Cook’s Distance
案例04｜Figure 11.15＋Exercise 11.2：Logistic Regression、ROC 與 Employee Attrition
案例05｜Figures 11.16–11.17＋Exercise 11.3：Decision Tree 與 Variable Importance
案例06｜Figure 11.18：Random Forest 與 Variable Importance
案例07｜Training／Test Data：用 Unseen Data 檢查 Overfitting
案例08｜Feature Engineering：R 如何把原始資料轉成模型可用資訊
| 核心主題 | 主要觀點／方法 | 實務用途 | 重要條件／限制／延伸 |
|---|---|---|---|
| R／RStudio | Open-source Programming Environment＋IDE | Data Manipulation、Statistics、Graphics | 需要以 Code 建立可重現 Workflow |
| Data Exploration | Histogram、Box Plot、QQ、Scatter、Matrix | 建模前理解 Distribution 與 Relationships | 不能只依單一 Summary Statistic |
| Regression Diagnostics | Residuals、Q-Q、Cook’s Distance | 檢查 Assumptions 與 Influential Cases | 原書提及 Cook’s Distance > 0.30 的常用判準 |
| Logistic Regression | Prediction、Confusion Matrix、ROC／AUC | Binary Classification | Threshold 需結合 Business Costs |
| Decision Tree | Tree Rules＋Variable Importance | Classification | 需以 Test Data 防止 Overfitting |
| Random Forest | Ensemble Trees＋Variable Importance | 提高 Predictive Robustness | Interpretability 低於單一 Tree |
| Training／Test | Unseen Data Evaluation | 檢驗 Generalization | 不可只報 Training Fit |
| Feature Engineering | 以 R Transform／Recode／Derive Features | 改善模型輸入 | 需可重現並以 Test Data 驗證 |
本章延續前面 Regression、Logistic Regression 與 Decision Tree，但改用 R 實作，並加入 Random Forest、Training／Test Data 與 Feature Engineering。
Advertising Dataset 依序用 Histogram、Box Plot、Q-Q、Scatter Plot 與 Scatter Plot Matrix 檢查資料，而不是直接 Fit Model。
Residual Pattern、Normal Q-Q 與 Cook’s Distance 用來檢查模型假設與 Influential Observations。原書指出 Cook’s Distance 大於 0.30 常被視為需要注意的 Observation。
Chapter 11 用 R 建立 Logistic Regression 與 Decision Tree，讓學生把前面 SAS VA 的概念轉成程式化 Workflow。