Scikit-Learn

Scikit-learn หรือ Sklearn เป็นชุดคำสั่งเสริมที่ใช้ภาษา Python เพื่อเป็นเครื่องมือช่วยสำหรับการประมวลผลข้อมูลและการเรียนรู้ของเครื่อง (machine learning) ทั้งในลักษณะของการจัดแบ่งข้อมูล (preprocessing), การเรียนรู้แบบมีผู้สอน (supervised learning), การเรียนรู้แบบไม่มีผู้สอน (unsupervised learning), และการประเมินผล (model evaluation) ดังนี้

การจัดแบ่งข้อมูล (Preprocessing):

ชุดคำสั่งนี้อยู่ในหมวด sklearn.model_selection ซึ่งมีคลาสที่ช่วยอำนวยความสะดวกในการสร้างชุดข้อมูลสำหรับการทดลองต่างได้แก่ KFold, LeaveOneOut, ShuffleSplit, StratifiedKFold, TimeSeriesSplit เป็นต้น

• sklearn.model_selection.train_test_split(): ฟังก์ชันอำนวยความสะดวกในการแบ่งข้อมูลเป็นชุดฝึกและชุดทดสอบ

การแปลงข้อมูล

• sklearn.preprocessing.StandardScaler(): ทำการปรับข้อมูลให้มี mean เท่ากับ 0 และ standard deviation เท่ากับ 1

• sklearn.preprocessing.MinMaxScaler(): ทำการปรับข้อมูลให้อยู่ในช่วง [0, 1]

• sklearn.preprocessing.OneHotEncoder(): ทำการแปลงข้อมูล categorical เป็น binary vectors

การเรียนรู้แบบมีผู้สอน (Supervised Learning):

Linear Models:

sklearn.linear_model.LinearRegression(): สร้างโมเดล Linear Regression

sklearn.linear_model.LogisticRegression(): สร้างโมเดล Logistic Regression

Support Vector Machines (SVM):

• sklearn.svm.SVC(): สร้างโมเดล Support Vector Classification

• sklearn.svm.SVR(): สร้างโมเดล Support Vector Regression

Decision Trees:

• sklearn.tree.DecisionTreeClassifier(): สร้างโมเดล Decision Tree Classification

• sklearn.tree.DecisionTreeRegressor(): สร้างโมเดล Decision Tree Regression

Ensemble Methods:

• sklearn.ensemble.RandomForestClassifier(): สร้างโมเดล Random Forest Classification

• sklearn.ensemble.RandomForestRegressor(): สร้างโมเดล Random Forest Regression

• sklearn.ensemble.GradientBoostingClassifier(): สร้างโมเดล Gradient Boosting Classification

การเรียนรู้แบบไม่มีผู้สอน (Unsupervised Learning):

Clustering:

• sklearn.cluster.KMeans(): สร้างโมเดล K-Means Clustering

• sklearn.cluster.DBSCAN(): สร้างโมเดล DBSCAN Clustering.

Dimensionality Reduction:

• sklearn.decomposition.PCA(): ทำ Principal Component Analysis เพื่อลดมิติของข้อมูล

การประเมินผล (Model Evaluation):

• sklearn.metrics.accuracy_score(): คำนวณความแม่นยำของโมเดล

• sklearn.metrics.precision_score(), sklearn.metrics.recall_score(), sklearn.metrics.f1_score(): คำนวณ Precision, Recall, F1 Score

• sklearn.metrics.confusion_matrix(): สร้าง Confusion Matrix

Cross-validation:

• sklearn.model_selection.cross_val_score(): ทำ Cross-validation เพื่อประเมินประสิทธิภาพของโมเดล

Hyperparameter Tuning:

• sklearn.model_selection.GridSearchCV(): ทำการค้นหา hyperparameter ที่ดีที่สุดจากชุดทดลอง

Pipeline:

• sklearn.pipeline.Pipeline(): สร้างลำดับขั้นตอนการประมวลผลข้อมูลที่สามารถใช้ได้ต่อเนื่อง

Feature Selection:

• sklearn.feature_selection.SelectKBest(): เลือกคุณลักษณะที่ดีที่สุดตามกลไกทางสถิติ