Sign in Subscribe

classification

OVR vs OVO: ศึกสองแนวคิดของ Machine Learning

OVR vs OVO: ศึกสองแนวคิดของ Machine Learning

กลยุทธ์ One-vs-Rest (OvR) และ One-vs-One (OvO) เป็นวิธีการแปลงปัญหา Multi-class Classification ให้เป็นชุดของ Binary Classificationเพื่อใช้กับโมเดลที่รองรับแค่การจำแนก 2 Classes เช่น Logistic Regression, SVM เป็นต้น 1. One-vs-Rest (OvR) แนวคิด: สร้างโมเดลหนึ่งตัวต่อหนึ่งคลาส โดยเปรียบเทียบ

รู้จัก Multi-Label Classification

รู้จัก Multi-Label Classification

Multi-label classification คือ การจำแนกข้อมูลที่หนึ่งตัวอย่างสามารถมีหลายป้ายกำกับ (labels) พร้อมกัน ไม่เหมือนกับ multi-class classification ที่หนึ่งตัวอย่างจะมีแค่หนึ่งคลาสเท่านั้น ลักษณะสำคัญ * Multi-class: เลือก 1 คลาสจากหลายคลาส เช่น วัตถุ →[รถยนต์, คน, ถนน] * Multi-label:

Imbalance Dataset

Imbalance Dataset

เป็นปัญหาที่พบบ่อยใน Machine Learning และ Data Science โดยที่ Class ของ Target ไม่ได้มีจำนวนที่เท่าเทียมกัน หมายความว่า Class หนึ่ง มีจำนวน Samples มากกว่า (Majority) Class อื่น ๆ (Minority) อย่างมีนัยสำคัญ 1. นิยาม: * ในปัญหา Binary Classification

Precision & Recall ในโลกแห่งความจริง

Precision & Recall ในโลกแห่งความจริง

มี Metrics สำคัญที่ Data Scientist ใช้ในการวัดประสิทธิภาพของ Classification models นั่นคือ 1) Precision และ 2) Recall มีสูตร ดังนี้ Precision = True Positive / (True Positive + False Positive) Recall = True Positive / (True Positive + False Negative) ตัวอย่างในโลกแห่งความจริง 1) การตรวจคัดกรองทางการแพทย์ จินตนาการถึ

ทำนายการเลิกใช้งานของลูกค้า

ทำนายการเลิกใช้งานของลูกค้า

การที่ลูกค้าเลิกใช้งาน (Churn) หรือ การสูญเสียลูกค้าเมื่อเวลาผ่านไป เป็นปัญหาสำคัญสำหรับธุรกิจในอุตสาหกรรมต่างๆ การระบุลูกค้าที่เสี่ยงต่อการ Churn ช่วยให้บริษัทต่างๆ สามารถดำเนินการเชิงรุกเพื่อรักษาลูกค้าไว้ได้ ช่วยให้