การเรียนรู้แบบมีผู้สอนด้วยไซคิต-เลิร์น

การเรียนรู้แบบมีผู้สอนเกี่ยวข้องกับการฝึกแบบจำลองโดยใช้ข้อมูลที่มีป้ายกำกับ เพื่อสร้างการคาดการณ์หรือจำแนกจุดข้อมูล ไซคิต-เลิร์นเป็นไลบรารีไพทอนยอดนิยมสำหรับนำแบบจำลองการเรียนรู้แบบมีผู้สอนไปใช้งาน

ในบทเรียนนี้ คุณจะได้เรียนรู้วิธีสร้างและประเมินแบบจำลองการเรียนรู้แบบมีผู้สอนโดยใช้ไซคิต-เลิร์น

การเรียนรู้แบบมีผู้สอนคืออะไร

การเรียนรู้แบบมีผู้สอนใช้ข้อมูลที่มีป้ายกำกับ โดยข้อมูลนำเข้าแต่ละรายการจะมีผลลัพธ์ที่สอดคล้องกัน เป้าหมายคือเรียนรู้การจับคู่ระหว่างข้อมูลนำเข้าและผลลัพธ์

งานทั่วไป ได้แก่:

• การถดถอย: การคาดการณ์ค่าต่อเนื่อง เช่น ราคาบ้าน
• การจำแนกประเภท: การคาดการณ์หมวดหมู่ เช่น เป็นจดหมายขยะหรือไม่ใช่จดหมายขยะ

การตั้งค่าไซคิต-เลิร์น

ติดตั้งไซคิต-เลิร์นโดยใช้เครื่องมือพีไอพี:

pip install scikit-learn

เมื่อติดตั้งแล้ว คุณสามารถนำเข้าไลบรารีนี้และเริ่มสร้างแบบจำลองได้

การถดถอยเชิงเส้น

การถดถอยเชิงเส้นใช้สำหรับคาดการณ์ค่าต่อเนื่อง มาสร้างแบบจำลองการถดถอยเชิงเส้นอย่างง่ายกัน:

# Example: Linear Regression
from sklearn.linear_model import LinearRegression

# Sample data
X = [[1], [2], [3]]
y = [2, 4, 6]

model = LinearRegression()
model.fit(X, y)
print("Predicted value:", model.predict([[4]]))

การถดถอยโลจิสติก

การถดถอยโลจิสติกใช้สำหรับงานจำแนกประเภทแบบทวิภาค เช่น การพิจารณาว่าอีเมลเป็นจดหมายขยะหรือไม่

# Example: Logistic Regression
from sklearn.linear_model import LogisticRegression

# Sample data
X = [[1], [2], [3]]
y = [0, 0, 1]

model = LogisticRegression()
model.fit(X, y)
print("Predicted class:", model.predict([[1.5]]))

ต้นไม้ตัดสินใจ

ต้นไม้ตัดสินใจเป็นแบบจำลองอเนกประสงค์ที่รองรับทั้งงานถดถอยและงานจำแนกประเภท มาสร้างตัวจำแนกประเภทด้วยต้นไม้ตัดสินใจอย่างง่ายกัน:

# Example: Decision Tree Classifier
from sklearn.tree import DecisionTreeClassifier

# Sample data
X = [[1], [2], [3]]
y = [0, 1, 0]

model = DecisionTreeClassifier()
model.fit(X, y)
print("Predicted class:", model.predict([[2.5]]))

การประเมินแบบจำลอง

ไซคิต-เลิร์นมีตัวชี้วัดสำหรับประเมินประสิทธิภาพของแบบจำลอง:

• ค่าคลาดเคลื่อนกำลังสองเฉลี่ย (MSE): สำหรับแบบจำลองการถดถอย
• ความแม่นยำ: สำหรับแบบจำลองการจำแนกประเภท

# Example: Evaluating a model
from sklearn.metrics import mean_squared_error

# Predictions
y_true = [2, 4, 6]
y_pred = [2.1, 3.9, 5.8]
print("MSE:", mean_squared_error(y_true, y_pred))

การแบ่งชุดฝึกและชุดทดสอบ

แบ่งชุดข้อมูลออกเป็นชุดฝึกและชุดทดสอบเสมอ เพื่อประเมินประสิทธิภาพของแบบจำลองกับข้อมูลที่ไม่เคยพบมาก่อน:

# Example: Train-Test Split
from sklearn.model_selection import train_test_split

X = [[1], [2], [3], [4]]
y = [0, 1, 0, 1]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25)
print("Training data:", X_train)

ข้อผิดพลาดทั่วไปในการเรียนรู้แบบมีผู้สอน

ต่อไปนี้คือข้อผิดพลาดบางประการที่ควรหลีกเลี่ยง:

• ไม่แบ่งข้อมูลออกเป็นชุดฝึกและชุดทดสอบ
• ทำให้แบบจำลองเกิดการเรียนรู้มากเกินไปด้วยการใช้ขั้นตอนวิธีที่ซับซ้อนเกินไป
• ใช้ข้อมูลที่ติดป้ายกำกับอย่างไม่มีคุณภาพในการฝึก

เราได้เรียนรู้อะไรบ้าง

ในบทเรียนนี้ คุณได้เรียนรู้:

• วิธีสร้างแบบจำลองการถดถอยและการจำแนกประเภทโดยใช้ไซคิต-เลิร์น
• วิธีประเมินประสิทธิภาพของแบบจำลองโดยใช้ตัวชี้วัด เช่น MSE และความแม่นยำ
• ความสำคัญของการแบ่งข้อมูลออกเป็นชุดฝึกและชุดทดสอบ
• ข้อผิดพลาดทั่วไปที่ควรหลีกเลี่ยงในงานการเรียนรู้แบบมีผู้สอน

ทำได้ดีมาก! ไปต่อที่หัวข้อถัดไปกันเถอะ