Data Mining Chapter 5

Deep Learning

Decision Tree

Support Vector Machine

K-means

Apriori

ไม่มีการนำข้อมูลมาแปลงให้อยู่ในรูปแบบอื่นๆ ต้องบันทึกข้อมูลทั้งหมดไว้ใช้

classify ข้อมูลไม่ทราบค่าได้อย่างรวดเร็ว ไม่ต้องคำนวณค่า

ไม่ต้องการพารามิเตอร์ในการสร้างตัวแบบ

ใช้เวลาในการเรียนรู้ไม่มาก

จำนวนค่า K

ชนิดของฟังก์ชันระยะทางที่ใช้

จำนวนคุณลักษณะที่ใช้

จำนวนคลาสของข้อมูล

เลือกจากคลาสของข้อมูลที่ใกล้ที่สุด

เทียบจำนวนข้อมูลที่มีคลาสเดียวกับข้อมูลที่พิจารณา ใน k ตัวแรกกับค่าที่กำหนด

เลือกจากคลาสส่วนใหญ่ของข้อมูลใกล้ที่สุด k อันดับแรก

เลือกจากคลาสส่วนใหญ่ของข้อมูล k ตัวใดๆ

True positive

True negative

False positive

False negative

precision

F1-score

recall

accuracy

False Positive rate

True Positive rate

Precision

Accuracy

ตัวแบบนั้น ต้องมีการให้ค่า probability ของการทำนายคลาส positive

ตัวแบบนั้น ต้องใช้ได้กับข้อมูล 2 คลาสเท่านั้น

ตัวแบบนั้น ต้องสามารถแสดงด้วยแผนภาพได้

ตัวแบบนั้น ต้องสร้างจากข้อมูลมากกว่า 30 ตัว

เป็นการแบ่งข้อมูล train : test ในอัตราส่วน 80:20 จำนวน 5 ครั้ง

ข้อมูลแต่ละตัว มีโอกาสเป็น test set ได้มากกว่า 1 ครั้ง

นำผลลัพธ์ที่ได้ทั้ง 5 ครั้ง มาทำการเฉลี่ย

เป็นแนวคิดในการประเมินตัวแบบ supervised learning

ปรับปรุงประสิทธิภาพของตัวแบบให้เรียนรู้จากการทำนายผิดพลาดก่อนหน้าได้

ลดเวลาในการสร้างตัวแบบ

ใช้ข้อมูลที่มีจำนวนมากได้คุ้มค่า

ช่วยเพิ่มประสิทธิภาพการทำนายในข้อมูลลักษณะเฉพาะ