ยินดีต้อนรับสู่คอร์ส!

Extreme Gradient Boosting with XGBoost

Sergey Fogelson

Head of Data Science, TelevisaUnivision

ก่อนจะไปถึง XGBoost...

• ต้องเข้าใจพื้นฐานของ
  • การจำแนกประเภทแบบ Supervised
  • Decision trees
  • Boosting

Supervised learning

• อาศัยข้อมูลที่มีป้ายกำกับ
• มีความเข้าใจพฤติกรรมในอดีตบ้าง

ตัวอย่าง Supervised learning

• ภาพที่กำหนดมีใบหน้าคนหรือไม่?
• ข้อมูลฝึก: เวกเตอร์ของค่าพิกเซล
• ป้ายกำกับ: 1 หรือ 0

Supervised learning: การจำแนกประเภท

• ผลลัพธ์เป็นแบบ binary หรือ multi-class ก็ได้

ตัวอย่างการจำแนกประเภทแบบ Binary

• บุคคลจะซื้อแพ็กเกจประกันตามใบเสนอราคาที่กำหนดหรือไม่?

ตัวอย่างการจำแนกประเภทแบบ Multi-class

• จำแนกชนิดพันธุ์ของนกที่กำหนด

AUC: เมตริกสำหรับโมเดลจำแนกประเภทแบบ Binary

• พื้นที่ใต้เส้นโค้ง ROC (AUC)
• AUC มากขึ้น = โมเดลดีขึ้น

คะแนน Accuracy และ Confusion matrix

• Confusion matrix

• Accuracy $$\frac{tp+tn}{tp+tn+fp+fn}$$

ทบทวน

• Supervised Learning with scikit-learn

ข้อพิจารณาอื่นใน Supervised learning

• ฟีเจอร์อาจเป็นตัวเลขหรือเชิงกลุ่มก็ได้
• ฟีเจอร์ตัวเลขควรปรับสเกล (Z-score)
• ฟีเจอร์เชิงกลุ่มควรเข้ารหัส (one-hot)

การจัดอันดับ

• การทำนายลำดับจากชุดตัวเลือก

การแนะนำ

• แนะนำสิ่งที่น่าสนใจให้ผู้ใช้
• อิงจากประวัติการใช้งานและโปรไฟล์
• ตัวอย่าง: Netflix

มาฝึกกันเถอะ!

Extreme Gradient Boosting with XGBoost