05 — Data & Model
資料方法論與模型驗證
真實門市的生鮮銷售資料屬於商業機密，無法取得。因此採用機器學習領域
驗證模型能力的標準做法：植入已知規律，再檢驗模型能否獨立學回。
方法論：先植入，再驗證
資料生成時植入天氣、節慶、週末、門市規模與管理效率等規律。
模型訓練時完全不被告知這些規律。若能學回，代表模型確實在學習資料中的關係，
而不是碰巧猜對。
誠實揭露：
所有人為設定的參數都在系統內完整列出，不假裝資料是真實的。
方法論的可信度來自透明。
模型結果與對照組
對照組很重要：只秀出 R²=0.88，無從判斷這算好還是不好。
有了線性迴歸的 0.60，才能證明選擇隨機森林是有理由的。
模型能力邊界（刻意保留的限制說明）：
MAPE 約 13%，但生鮮食品沒有專屬的業界基準可直接對照；
R² 不等於「猜對的比例」，這是常見誤解；
模型適合做方向性判斷（明天大概會多賣或少賣），不適合完全自動決定精確訂貨量。
真實門市的資料雜訊更高，實際誤差預期會上升。
