ການຈັດປະເພດ

ຕົວຊີ້ວັດ "Information Gain" ຫຼື "Gini Index" ຖືກນຳໃຊ້ໃນ Algorithm ໃດເພື່ອຕັດສິນໃຈແຍກຂໍ້ມູນ?

• Naïve Bayes

• Decision Tree

• k-Nearest Neighbors (k-NN)

• Logistic Regression

"Lazy Learner" ແມ່ນຄຳທີ່ມັກໃຊ້ອະທິບາຍ Algorithm ໃດ?

• Decision Tree

• Naïve Bayes

• k-Nearest Neighbors (k-NN)

• Support Vector Machine (SVM)

ສິ່ງໃດຕໍ່ໄປນີ້ ບໍ່ແມ່ນ ຂັ້ນຕອນໃນຂະບວນການຈັດປະເພດ?

• ການກະກຽມຂໍ້ມູນ (Data Preparation)

• ການສ້າງແບບຈຳລອງ (Model Building)

• ການຈັດກຸ່ມຂໍ້ມູນ (Clustering)

• ການປະເມີນແບບຈຳລອງ (Model Evaluation)

ໃນກໍລະນີທີ່ຊຸດຂໍ້ມູນບໍ່ສົມດຸນ (Imbalanced Dataset), ຕົວປະເມີນ (metric) ໃດອາດຈະບໍ່ສະທ້ອນປະສິດທິພາບທີ່ແທ້ຈິງຂອງແບບຈຳລອງໄດ້ດີ?

• Precision

• Recall

• F1-Score

• Accuracy

ບັນຫາ Overfitting ໃນການສ້າງແບບຈຳລອງການຈັດປະເພດໝາຍເຖິງຫຍັງ?

• ແບບຈຳລອງງ່າຍເກີນໄປ ແລະ ບໍ່ສາມາດຈັບຮູບແບບທີ່ສຳຄັນໃນຂໍ້ມູນຝຶກຫັດໄດ້.

• ແບບຈຳລອງເຮັດວຽກໄດ້ດີກັບຂໍ້ມູນຝຶກຫັດ ແຕ່ເຮັດວຽກໄດ້ບໍ່ດີກັບຂໍ້ມູນໃໝ່ (ຂໍ້ມູນທົດສອບ).

• ແບບຈຳລອງໃຊ້ເວລາດົນເກີນໄປໃນການຝຶກຫັດ.

• ຂໍ້ມູນຝຶກຫັດມີຈຳນວນໜ້ອຍເກີນໄປ.

ຄ່າ Recall (Sensitivity) ວັດແທກຫຍັງ?

• ອັດຕາສ່ວນຂອງການຄາດຄະເນທີ່ຖືກຕ້ອງທັງໝົດ.

• ອັດຕາສ່ວນຂອງຕົວຢ່າງທີ່ເປັນ Positive ແທ້ ທີ່ຖືກຄາດຄະເນຢ່າງຖືກຕ້ອງວ່າເປັນ Positive.

• ອັດຕາສ່ວນຂອງຕົວຢ່າງທີ່ຄາດຄະເນວ່າເປັນ Positive ທີ່ເປັນ Positive ແທ້.

• ອັດຕາສ່ວນຂອງຕົວຢ່າງທີ່ເປັນ Negative ແທ້ ທີ່ຖືກຄາດຄະເນຢ່າງຖືກຕ້ອງວ່າເປັນ Negative.

ຖ້າແບບຈຳລອງການຈັດປະເພດມີຄ່າ Precision ສູງ, ມັນໝາຍຄວາມວ່າແນວໃດ?

• ແບບຈຳລອງສາມາດກວດພົບຕົວຢ່າງທີ່ເປັນ Positive ທັງໝົດໄດ້ດີ.

• ໃນບັນດາຕົວຢ່າງທີ່ແບບຈຳລອງຄາດຄະເນວ່າເປັນ Positive, ສ່ວນໃຫຍ່ແມ່ນ Positive ແທ້.

• ແບບຈຳລອງມີຄວາມຖືກຕ້ອງໂດຍລວມສູງ.

• ແບບຈຳລອງບໍ່ຄ່ອຍຄາດຄະເນຜິດພາດວ່າເປັນ Negative.

ຕາຕະລາງ Confusion Matrix ໃຊ້ເພື່ອຫຍັງ?

• ເພື່ອສະແດງການກະຈາຍຂອງຄຸນລັກສະນະຕ່າງໆ.

• ເພື່ອສະຫຼຸບປະສິດທິພາບຂອງແບບຈຳລອງການຈັດປະເພດ.

• ເພື່ອເລືອກຄຸນລັກສະນະທີ່ດີທີ່ສຸດສຳລັບແບບຈຳລອງ.

• ເພື່ອປັບຄ່າພາຣາມິເຕີ (hyperparameters) ຂອງແບບຈຳລອງ.

k-Nearest Neighbors (k-NN) ຈັດປະເພດຂໍ້ມູນໃໝ່ໂດຍອີງໃສ່ຫຍັງ?

• ການຄິດໄລ່ຄ່າກະຕວງຂອງແຕ່ລະປະເພດ.

• ການສ້າງເສັ້ນແບ່ງກຸ່ມທີ່ດີທີ່ສຸດ.

• ການຊອກຫາຄ່າ (majority vote) ຂອງ k ເມັດຂໍ້ມູນທີ່ໃກ້ຄຽງທີ່ສຸດ.

• ການຕິດຕາມເສັ້ນທາງໃນໂຄງສ້າງຕົ້ນໄມ້.

Naïve Bayes ມີສົມມຸດຕິຖານຫຼັກວ່າແນວໃດ?

• ຄຸນລັກສະນະ (features) ທັງໝົດມີຄວາມສຳຄັນເທົ່າກັນ.

• ຄຸນລັກສະນະ (features) ທັງໝົດເປັນອິດສະຫຼະຕໍ່ກັນເມື່ອກຳນົດປະເພດ (class).

• ຂໍ້ມູນຕ້ອງມີການກະຈາຍແບບປົກກະຕິ (normal distribution).

• ຕ້ອງມີຈຳນວນຄຸນລັກສະນະໜ້ອຍ.