การเรียนรู้แบบมีผู้สอนด้วย Scikit-Learn
สร้างและประเมินแบบจำลองการเรียนรู้แบบมีผู้สอน เช่น การถดถอยเชิงเส้นและการจำแนกประเภท
การเรียนรู้แบบมีผู้สอนด้วย Scikit-Learn เป็นบทเรียน Python For Kids ฟรีบน CoddyKit นี่คือบทเรียนที่ 2 จากทั้งหมด 6 บทเรียน คุณสามารถอ่านบทเรียนทั้งหมดด้านล่างฟรี — จากนั้นลองปฏิบัติด้วยตัวคุณเองในเบราว์เซอร์พร้อมตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7 บทเรียนนี้เป็นส่วนหนึ่งของเส้นทางการเรียน Python For Kids และความก้าวหน้าของคุณจะซิงค์ข้ามเว็บและแอป CoddyKit คอร์ส Python For Kids มีบทเรียนทั้งหมด 6 บทเรียน
การเรียนรู้แบบมีผู้สอนด้วย Scikit-Learn
การเรียนรู้แบบมีผู้สอนประกอบด้วยการฝึกแบบจำลองด้วยข้อมูลที่มีป้ายกำกับ เพื่อทำการคาดการณ์หรือจัดประเภทจุดข้อมูล Scikit-learn เป็นไลบรารี Python ยอดนิยมสำหรับสร้างแบบจำลองการเรียนรู้แบบมีผู้สอน
ในบทเรียนนี้ คุณจะได้เรียนรู้วิธีสร้างและประเมินแบบจำลองการเรียนรู้แบบมีผู้สอนโดยใช้ Scikit-learn
การเรียนรู้แบบมีผู้สอนคืออะไร
การเรียนรู้แบบมีผู้สอนใช้ข้อมูลที่มีป้ายกำกับ โดยอินพุตแต่ละรายการจะมีเอาต์พุตที่สอดคล้องกัน เป้าหมายคือการเรียนรู้ความสัมพันธ์จากอินพุตไปยังเอาต์พุต
งานที่พบบ่อย ได้แก่:
- การถดถอย: การทำนายค่าต่อเนื่อง เช่น ราคาบ้าน
- การจำแนกประเภท: การทำนายหมวดหมู่ เช่น อีเมลขยะหรือไม่ใช่อีเมลขยะ
การตั้งค่า Scikit-Learn
ติดตั้ง Scikit-learn โดยใช้ pip:
pip install scikit-learn
เมื่อติดตั้งแล้ว คุณสามารถนำเข้าไลบรารีและเริ่มสร้างแบบจำลองได้
การถดถอยเชิงเส้น
การถดถอยเชิงเส้นใช้สำหรับทำนายค่าต่อเนื่อง ลองสร้างแบบจำลองการถดถอยเชิงเส้นแบบง่ายกัน
# 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 การพิจารณาว่าอีเมลเป็นสแปมหรือไม่
# 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 มาสร้างตัวจำแนกประเภทด้วยต้นไม้ตัดสินใจแบบง่ายกัน:
# 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
Scikit-learn มีตัวชี้วัดสำหรับประเมินประสิทธิภาพของแบบจำลอง:
- 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))การแบ่งข้อมูลฝึกและทดสอบ
แบ่งชุดข้อมูลของคุณออกเป็นชุดฝึกและชุดทดสอบเสมอ 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)ข้อผิดพลาดที่พบบ่อยในการเรียนรู้แบบมีผู้สอน
ต่อไปนี้คือข้อผิดพลาดบางอย่างที่ควรหลีกเลี่ยง:
- ไม่แบ่งข้อมูลออกเป็นชุดฝึกและชุดทดสอบ
- ทำให้แบบจำลองเกิดการเรียนรู้เกินพอดีด้วยการใช้อัลกอริทึมที่ซับซ้อนเกินไป
- ใช้ข้อมูลที่ติดป้ายกำกับไม่ถูกต้องสำหรับการฝึก
เราได้เรียนรู้อะไรบ้าง
ในบทเรียนนี้ คุณได้เรียนรู้:
- วิธีสร้างแบบจำลองการถดถอยและการจำแนกประเภทโดยใช้ Scikit-learn
- วิธีประเมินประสิทธิภาพของแบบจำลองโดยใช้ตัวชี้วัด เช่น MSE และความแม่นยำ
- ความสำคัญของการแบ่งข้อมูลเป็นชุดฝึกและชุดทดสอบ
- ข้อผิดพลาดทั่วไปที่ควรหลีกเลี่ยงในงานการเรียนรู้แบบมีผู้สอน
ทำได้ดีมาก! ไปยังหัวข้อถัดไปกันเลย
คำถามที่พบบ่อย
บทเรียน “การเรียนรู้แบบมีผู้สอนด้วย Scikit-Learn” ฟรีหรือไม่
ใช่ — ข้อความเต็มของ “การเรียนรู้แบบมีผู้สอนด้วย Scikit-Learn” ฟรีให้อ่านที่นี่บนเว็บ เพื่อปฏิบัติแบบโต้ตอบ (ตัวแก้ไขโค้ดในตัวและติวเตอร์ AI ตลอด 24/7) และปลดล็อคส่วนที่เหลือของคอร์ส Python For Kids ให้อัปเกรดเป็น CoddyKit PRO คอร์ส Python For Kids มีบทเรียนทั้งหมด 6 บทเรียน
คุณจะเรียนรู้อะไรในบทเรียน “การเรียนรู้แบบมีผู้สอนด้วย Scikit-Learn”
สร้างและประเมินแบบจำลองการเรียนรู้แบบมีผู้สอน เช่น การถดถอยเชิงเส้นและการจำแนกประเภท คุณปฏิบัติ Python For Kids ด้วยโค้ดที่ใช้งานได้จริงที่คุณเรียกใช้โดยตรงในเบราว์เซอร์ และติวเตอร์ AI ตลอด 24/7 ตอบคำถามของคุณขณะที่คุณไปผ่านบทเรียน
คุณต้องมีประสบการณ์ก่อนที่จะเริ่มเรียน Python For Kids หรือไม่
ไม่จำเป็นต้องมีประสบการณ์มาก่อน Python For Kids บน CoddyKit ออกแบบมาสำหรับผู้เริ่มต้นไปจนถึงผู้เรียนขั้นสูง คุณสามารถเริ่มต้นที่นี่หรือเริ่มจากตัวแรกและเรียนด้วยความเร็วของคุณเอง นี่คือบทเรียนที่ 2 จากทั้งหมด 6 บทเรียน
บทเรียน “การเรียนรู้แบบมีผู้สอนด้วย Scikit-Learn” ใช้เวลานานแค่ไหน
บทเรียน CoddyKit ส่วนใหญ่ใช้เวลาประมาณ 5–10 นาที แต่ละบทเรียนจึงสั้นและเป็นแบบโต้ตอบ คุณสามารถก้าวหน้าอย่างต่อเนื่องและกลับมาเรียนต่อจากตรงที่เพิ่งหยุดบนเว็บและแอปได้เลย
ฉันเขียนและรันโค้ดในบทเรียน Python For Kids นี้ได้ไหม
ได้ บทเรียน Python For Kids ทุกบทมีตัวแก้ไขโค้ดในตัว คุณจึงเขียนและรันโค้ดจริงได้เลยในเบราว์เซอร์ และได้รับข้อเสนอแนะจาก AI ในทันที — ไม่ต้องติดตั้งในเครื่องของคุณ
บทเรียนทั้งหมดในหลักสูตรนี้
- บทนำสู่การเรียนรู้ของเครื่อง
- การเรียนรู้แบบมีผู้สอนด้วย Scikit-Learn
- การเรียนรู้แบบไม่มีผู้สอน
- วิศวกรรมและการคัดเลือกคุณลักษณะ
- บทนำสู่โครงข่ายประสาทเทียม
- บทนำสู่ TensorFlow และ Keras