or
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
Classification and Regression Trees (CART) คือกลุ่มโมเดล supervised learning ที่ใช้แก้ปัญหาการจำแนกประเภทและการถดถอย ในบทนี้ คุณจะได้รู้จักกับอัลกอริทึม CART
การแลกเปลี่ยนระหว่าง bias และ variance คือหนึ่งในแนวคิดพื้นฐานที่สำคัญที่สุดใน supervised machine learning ในบทนี้ คุณจะได้เรียนรู้วิธีวินิจฉัยปัญหา overfitting และ underfitting รวมถึงได้รู้จักกับแนวคิด ensembling ซึ่งเป็นการรวมการพยากรณ์จากหลายโมเดลเพื่อให้ได้ผลลัพธ์ที่แม่นยำและเสถียรมากขึ้น
Bagging คือวิธี ensemble ที่ฝึกอัลกอริทึมเดิมหลายรอบโดยใช้ข้อมูลย่อยที่สุ่มมาจากชุดข้อมูลฝึก ในบทนี้ คุณจะได้เรียนรู้ว่า bagging ช่วยสร้าง tree ensemble ได้อย่างไร และอัลกอริทึม random forests เพิ่มความหลากหลายให้กับ ensemble ได้อย่างไร ผ่านการสุ่มในระดับของแต่ละ split ใน tree
Boosting คือวิธี ensemble ที่ฝึกโมเดลหลายตัวตามลำดับ โดยแต่ละโมเดลเรียนรู้จากข้อผิดพลาดของโมเดลก่อนหน้า ในบทนี้ คุณจะได้รู้จักกับสองวิธี boosting ได้แก่ AdaBoost และ Gradient Boosting
Hyperparameter ของโมเดล machine learning คือพารามิเตอร์ที่ไม่ได้เรียนรู้จากข้อมูล และต้องกำหนดค่าไว้ก่อนที่จะ fit โมเดลกับชุดข้อมูลฝึก ในบทนี้ คุณจะได้เรียนรู้วิธีปรับ hyperparameter ของโมเดลที่ใช้ tree เป็นพื้นฐาน โดยใช้ grid search cross-validation
แบบฝึกหัดปัจจุบัน