整合第 9 章實作與網路練習。原書要求學生下載多種工具並從原書指定的機器學習資料庫／Kaggle 另找資料建模比較。
理解這些練習需要外部資料與軟體環境，不能僅靠 aBook12A 正文產生標準答案。
練習包含 R、Python、KNIME、Orange、Weka、JMP、Alteryx、Statistica 等，要求分類／迴歸模型比較與書面報告。
| 練習群組 | 原書要求 |
|---|---|
| R／Python | 從原書指定的機器學習資料庫取得分類或迴歸資料，比較至少兩種模型 |
| KNIME／Orange／Weka | 從原書指定的機器學習資料庫取得分類資料，比較例如決策樹與邏輯迴歸 |
| Python＋KNIME | 從 Kaggle 取得大型分類資料，比較決策樹與人工神經網路（Artificial Neural Network, ANN） |
| R＋Orange | 從 Kaggle 取得大型迴歸資料，比較 ANN 與支援向量機 |
| JMP／Alteryx | 使用試用版與 Kaggle 分類資料，比較 ANN 與支援向量機 |
| TIBCO Statistica | 下載試用版進行實作 |
若未來正式執行，需先固定同一資料切分、同一評估指標與相同前處理，再比較工具與模型，避免把資料差異誤當成工具差異。
原書沒有指定固定外部資料集、模型輸出或標準答案，因此本頁不生成準確率、均方根誤差（Root Mean Square Error, RMSE）或工具排名。
這組作業的目的在於實際體驗不同工具，而不是證明某工具永久優於其他工具。外部資料與軟體版本也可能影響結果。
根據我實際提供的同一資料集與各工具輸出，建立公平比較表；只比較相同資料切分與相同指標，不得補造缺少結果。
問題： 若 Python 與 KNIME 使用不同訓練／測試切分，能否直接比較準確率判定工具優劣？
參考解答： 不宜。資料切分不同會混入實驗設計差異，應先控制資料與評估條件。