บทนำ
คู่มือนี้เป็นส่วนที่สามและส่วนสุดท้ายของคู่มือสามข้อเกี่ยวกับ Support Vector Machines (SVM) ในคู่มือนี้ เราจะยังคงทำงานกับกรณีการใช้ธนบัตรปลอม มีการสรุปโดยย่อเกี่ยวกับแนวคิดทั่วไปเบื้องหลัง SVM ทำความเข้าใจว่าเคล็ดลับเคอร์เนลคืออะไร และนำเคอร์เนลที่ไม่ใช่เชิงเส้นประเภทต่างๆ ไปใช้กับ Scikit-Learn
ในคู่มือชุด SVM ฉบับสมบูรณ์ นอกจากการเรียนรู้เกี่ยวกับ SVM ประเภทอื่นๆ แล้ว คุณจะได้เรียนรู้เกี่ยวกับพารามิเตอร์ SVM, SVM ที่กำหนดไว้ล่วงหน้าอย่างง่าย, ไฮเปอร์พารามิเตอร์ C และ Gamma และวิธีปรับแต่งด้วยการค้นหากริดและการตรวจสอบข้าม
หากคุณต้องการอ่านคำแนะนำก่อนหน้านี้ คุณสามารถดูคำแนะนำสองข้อแรกหรือดูว่าหัวข้อใดที่คุณสนใจมากที่สุด ด้านล่างนี้คือตารางหัวข้อที่ครอบคลุมในแต่ละคำแนะนำ:
- ใช้กรณี: ลืมธนบัตร
- ภูมิหลังของ SVM
- โมเดล SVM แบบง่าย (เชิงเส้น)
- เกี่ยวกับชุดข้อมูล
- การนำเข้าชุดข้อมูล
- สำรวจชุดข้อมูล
- การใช้ SVM กับ Scikit-Learn
- แบ่งข้อมูลออกเป็นชุดฝึก/ชุดทดสอบ
- การฝึกโมเดล
- การทำนายผล
- การประเมินแบบจำลอง
- การตีความผลลัพธ์
- C ไฮเปอร์พารามิเตอร์
- ไฮเปอร์พารามิเตอร์แกมมา
3. การนำรสชาติ SVM อื่นๆ ไปใช้กับ Scikit-Learn ของ Python
- แนวคิดทั่วไปของ SVM (สรุป)
- เคอร์เนล (เคล็ดลับ) SVM
- การใช้ SVM เคอร์เนลที่ไม่ใช่เชิงเส้นกับ Scikit-Learn
- การนำเข้าไลบรารี
- การนำเข้าชุดข้อมูล
- แบ่งข้อมูลออกเป็นคุณลักษณะ (X) และเป้าหมาย (y)
- แบ่งข้อมูลออกเป็นชุดฝึก/ชุดทดสอบ
- การฝึกอบรมอัลกอริทึม
- เคอร์เนลพหุนาม
- การทำนายผล
- การประเมินอัลกอริทึม
- เมล็ดเกาส์เซียน
- การทำนายและประเมินผล
- เคอร์เนลซิกมอยด์
- การทำนายและประเมินผล
- การเปรียบเทียบประสิทธิภาพของเคอร์เนลที่ไม่ใช่เชิงเส้น
เรามาจดจำว่า SVM คืออะไรก่อนที่จะดูรูปแบบเคอร์เนล SVM ที่น่าสนใจ
แนวคิดทั่วไปของ SVM
ในกรณีของข้อมูลที่แยกจากกันได้เชิงเส้นตรงในสองมิติ (ดังแสดงในรูปที่ 1) วิธีอัลกอริทึมการเรียนรู้ของเครื่องโดยทั่วไปจะพยายามหาขอบเขตที่แบ่งข้อมูลในลักษณะที่ข้อผิดพลาดในการจัดประเภทผิดจะลดลง หากคุณดูรูปที่ 1 อย่างละเอียด จะสังเกตว่าอาจมีขอบเขตหลายขอบเขต (อนันต์) ที่แบ่งจุดข้อมูลได้อย่างถูกต้อง เส้นประสองเส้นและเส้นทึบล้วนเป็นการจำแนกข้อมูลที่ถูกต้อง
รูปที่ 1: ขอบเขตการตัดสินใจที่หลากหลาย
เมื่อ SVM เลือก ขอบเขตการตัดสินใจจะเลือกขอบเขตที่เพิ่มระยะห่างระหว่างตัวมันเองกับจุดข้อมูลที่ใกล้ที่สุดของคลาส เรารู้แล้วว่าจุดข้อมูลที่ใกล้ที่สุดคือเวกเตอร์สนับสนุนและระยะทางสามารถกำหนดเป็นพาราเมตริกได้ทั้งคู่ C
และ gamma
ไฮเปอร์พารามิเตอร์
ในการคำนวณขอบเขตการตัดสินใจนั้น อัลกอริทึมจะเลือกจำนวนจุดที่ต้องพิจารณาและระยะขอบที่สามารถไปได้ ซึ่งจะเป็นการกำหนดค่าปัญหาการเพิ่มระยะขอบให้สูงสุด ในการแก้ปัญหาการเพิ่มระยะขอบนั้น SVM ใช้เวกเตอร์สนับสนุน (ดังที่เห็นในรูปที่ 2) และพยายามหาค่าที่เหมาะสมที่สุดที่ทำให้ระยะขอบใหญ่ขึ้น ในขณะที่จัดประเภทจุดต่างๆ ให้ถูกต้องมากขึ้นตามฟังก์ชันที่ใช้ แยกข้อมูล
รูปที่ 2: ขอบเขตการตัดสินใจพร้อมเวกเตอร์สนับสนุน
นี่คือเหตุผลที่ SVM แตกต่างจากอัลกอริธึมการจำแนกประเภทอื่นๆ เมื่อไม่เพียงแค่ค้นหาขอบเขตการตัดสินใจเท่านั้น แต่ยังพบขอบเขตการตัดสินใจที่เหมาะสมที่สุดอีกด้วย
มีคณิตศาสตร์ที่ซับซ้อนซึ่งได้มาจากสถิติและวิธีการคำนวณที่เกี่ยวข้องกับการหาเวกเตอร์สนับสนุน การคำนวณระยะขอบระหว่างขอบเขตการตัดสินใจและเวกเตอร์สนับสนุน และเพิ่มระยะขอบนั้นให้สูงสุด ครั้งนี้เราจะไม่ลงรายละเอียดว่าคณิตศาสตร์เล่นออกมาอย่างไร
สิ่งสำคัญเสมอคือต้องลงลึกและตรวจสอบให้แน่ใจว่าอัลกอริทึมการเรียนรู้ของเครื่องไม่ใช่คาถาลึกลับบางประเภท แม้ว่าการไม่รู้รายละเอียดทางคณิตศาสตร์ทั้งหมดในเวลานี้ไม่ได้หยุดคุณจากการดำเนินการอัลกอริทึมและรับผลลัพธ์
คำแนะนำ: ตอนนี้เราได้สรุปกระบวนการอัลกอริทึมแล้ว เป็นที่ชัดเจนว่าระยะห่างระหว่างจุดข้อมูลจะส่งผลต่อขอบเขตการตัดสินใจที่ SVM เลือก ด้วยเหตุนี้ ปรับขนาดข้อมูล มักจะจำเป็นเมื่อใช้ตัวแยกประเภท SVM ลองใช้ วิธี Standard Scaler ของ Scikit-learn เพื่อเตรียมข้อมูล จากนั้นรันโค้ดอีกครั้งเพื่อดูว่ามีความแตกต่างในผลลัพธ์หรือไม่
เคอร์เนล (เคล็ดลับ) SVM
ในส่วนก่อนหน้านี้ เราได้จดจำและจัดระเบียบแนวคิดทั่วไปของ SVM แล้ว โดยดูว่าสามารถใช้เพื่อค้นหาขอบเขตการตัดสินใจที่เหมาะสมที่สุดสำหรับข้อมูลที่แยกจากกันเชิงเส้นได้อย่างไร อย่างไรก็ตาม ในกรณีของข้อมูลที่แยกจากกันแบบไม่เชิงเส้น เช่น ข้อมูลที่แสดงในรูปที่ 3 เราทราบแล้วว่าเส้นตรงไม่สามารถใช้เป็นขอบเขตการตัดสินใจได้
รูปที่ 3: ข้อมูลที่แยกจากกันแบบไม่เชิงเส้น
แต่เราสามารถใช้ SVM เวอร์ชันแก้ไขที่เราได้กล่าวถึงในตอนต้น ซึ่งเรียกว่า Kernel SVM
โดยพื้นฐานแล้ว สิ่งที่เคอร์เนล SVM จะทำคือการฉายข้อมูลแบบแยกส่วนที่ไม่ใช่เชิงเส้นของมิติที่ต่ำกว่าไปยังรูปแบบที่สอดคล้องกันในมิติที่สูงกว่า นี่เป็นกลอุบาย เนื่องจากเมื่อฉายข้อมูลที่ไม่สามารถแยกออกได้แบบเชิงเส้นในมิติที่สูงขึ้น รูปร่างข้อมูลจะเปลี่ยนในลักษณะที่สามารถแยกออกได้ ตัวอย่างเช่น เมื่อคิดเกี่ยวกับมิติข้อมูล 3 มิติ จุดข้อมูลจากแต่ละคลาสอาจจบลงด้วยการจัดสรรในมิติที่แตกต่างกัน ทำให้สามารถแยกออกจากกันได้ วิธีหนึ่งในการเพิ่มมิติข้อมูลสามารถทำได้โดยการยกกำลัง อีกครั้ง มีคณิตศาสตร์ที่ซับซ้อนเข้ามาเกี่ยวข้อง แต่คุณไม่ต้องกังวลในการใช้ SVM แต่เราสามารถใช้ไลบรารี Scikit-Learn ของ Python เพื่อใช้งานและใช้เคอร์เนลที่ไม่ใช่เชิงเส้นในลักษณะเดียวกับที่เราใช้เชิงเส้น
การใช้ SVM เคอร์เนลที่ไม่ใช่เชิงเส้นกับ Scikit-Learn
ในส่วนนี้ เราจะใช้ชุดข้อมูลเดียวกันในการทำนายว่าธนบัตรเป็นของจริงหรือของปลอมตามคุณสมบัติสี่ประการที่เราทราบกันดีอยู่แล้ว
คุณจะเห็นว่าขั้นตอนที่เหลือเป็นขั้นตอนการเรียนรู้ของเครื่องทั่วไปและต้องการคำอธิบายเพียงเล็กน้อย จนกว่าเราจะไปถึงส่วนที่เราฝึก SVM ของเคอร์เนลที่ไม่ใช่เชิงเส้น
การนำเข้าไลบรารี
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns
from sklearn.model_selection import train_test_split
การนำเข้าชุดข้อมูล
data_link = "https://archive.ics.uci.edu/ml/machine-learning-databases/00267/data_banknote_authentication.txt"
col_names = ["variance", "skewness", "curtosis", "entropy", "class"] bankdata = pd.read_csv(data_link, names=col_names, sep=",", header=None)
bankdata.head()mes)
แบ่งข้อมูลออกเป็นคุณลักษณะ (X) และเป้าหมาย (y)
X = bankdata.drop('class', axis=1)
y = bankdata['class']
แบ่งข้อมูลออกเป็นชุดฝึก/ชุดทดสอบ
SEED = 42 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.20, random_state = SEED)
การฝึกอบรมอัลกอริทึม
ในการฝึกเคอร์เนล SVM เราจะใช้แบบเดียวกัน SVC
ชั้นเรียนของ Scikit-Learn's svm
ห้องสมุด. ความแตกต่างอยู่ในค่าสำหรับพารามิเตอร์เคอร์เนลของ SVC
ชั้นเรียน
ในกรณีของ SVM อย่างง่าย เราใช้ "เชิงเส้น" เป็นค่าสำหรับพารามิเตอร์เคอร์เนล อย่างไรก็ตาม ดังที่เราได้กล่าวไว้ก่อนหน้านี้ สำหรับเคอร์เนล SVM เราสามารถใช้เคอร์เนลแบบเกาส์เซียน พหุนาม ซิกมอยด์ หรือคอมพิวเตอร์ได้ เราจะใช้เคอร์เนลพหุนาม เกาส์เซียน และซิกมอยด์ และดูเมตริกขั้นสุดท้ายเพื่อดูว่าตัวใดที่เหมาะกับคลาสของเราด้วยเมตริกที่สูงกว่า
1. เคอร์เนลพหุนาม
ในพีชคณิต พหุนามคือการแสดงออกของรูปแบบ:
$$
2ก*ข^3 + 4ก – 9
$$
สิ่งนี้มีตัวแปรเช่น a
และ b
ค่าคงที่ ในตัวอย่างของเรา 9
และค่าสัมประสิทธิ์ (ค่าคงที่พร้อมตัวแปร) เช่น 2
และ 4
. 3
ถือว่าเป็นดีกรีของพหุนาม
มีข้อมูลหลายประเภทที่สามารถอธิบายได้ดีที่สุดเมื่อใช้ฟังก์ชันพหุนาม ในที่นี้ สิ่งที่เคอร์เนลจะทำคือแมปข้อมูลของเรากับพหุนามที่เราจะเลือกระดับ ระดับที่สูงขึ้น ฟังก์ชันจะพยายามเข้าใกล้ข้อมูลมากขึ้น ดังนั้นขอบเขตการตัดสินใจจึงมีความยืดหยุ่นมากขึ้น (และมีแนวโน้มที่จะเกินพอดี) ระดับยิ่งต่ำ ความยืดหยุ่นน้อยที่สุด
ดูคู่มือเชิงปฏิบัติสำหรับการเรียนรู้ Git ที่มีแนวทางปฏิบัติที่ดีที่สุด มาตรฐานที่ยอมรับในอุตสาหกรรม และเอกสารสรุปรวม หยุดคำสั่ง Googling Git และจริงๆ แล้ว เรียน มัน!
ดังนั้นสำหรับการดำเนินการ เคอร์เนลพหุนามนอกจากการเลือก poly
เคอร์เนล เราจะส่งค่าสำหรับ degree
พารามิเตอร์ของ SVC
ระดับ. ด้านล่างนี้เป็นรหัส:
from sklearn.svm import SVC
svc_poly = SVC(kernel='poly', degree=8)
svc_poly.fit(X_train, y_train)
การทำนายผล
ตอนนี้ เมื่อเราฝึกอัลกอริทึมแล้ว ขั้นตอนต่อไปคือการคาดการณ์ข้อมูลการทดสอบ
ดังที่เราได้ดำเนินการไปแล้ว เราสามารถรันสคริปต์ต่อไปนี้ได้:
y_pred_poly = svclassifier.predict(X_test)
การประเมินอัลกอริทึม
ตามปกติ ขั้นตอนสุดท้ายคือการประเมินบนเคอร์เนลพหุนาม เนื่องจากเราได้ทำซ้ำโค้ดสำหรับรายงานการจัดหมวดหมู่และเมทริกซ์ความสับสนสองสามครั้ง มาแปลงเป็นฟังก์ชันที่ display_results
หลังจากได้รับตามลำดับ y_test
, y_pred
และตั้งชื่อเรื่องความสับสนของซีบอร์นด้วย cm_title
:
def display_results(y_test, y_pred, cm_title): cm = confusion_matrix(y_test,y_pred) sns.heatmap(cm, annot=True, fmt='d').set_title(cm_title) print(classification_report(y_test,y_pred))
ตอนนี้ เราสามารถเรียกใช้ฟังก์ชันและดูผลลัพธ์ที่ได้จากเคอร์เนลพหุนาม:
cm_title_poly = "Confusion matrix with polynomial kernel"
display_results(y_test, y_pred_poly, cm_title_poly)
ผลลัพธ์มีลักษณะดังนี้:
precision recall f1-score support 0 0.69 1.00 0.81 148 1 1.00 0.46 0.63 127 accuracy 0.75 275 macro avg 0.84 0.73 0.72 275
weighted avg 0.83 0.75 0.73 275
ตอนนี้เราสามารถทำซ้ำขั้นตอนเดิมสำหรับเมล็ด Gaussian และ sigmoid
2. เกาส์เซียนเคอร์เนล
หากต้องการใช้เคอร์เนลแบบเกาส์เซียน เราเพียงแค่ระบุ 'rbf' เป็นค่าสำหรับ kernel
พารามิเตอร์ของคลาส SVC:
svc_gaussian = SVC(kernel='rbf', degree=8)
svc_gaussian.fit(X_train, y_train)
เมื่อสำรวจเคอร์เนลนี้เพิ่มเติม คุณยังสามารถใช้การค้นหาแบบกริดเพื่อรวมเข้ากับเคอร์เนลอื่น C
และ gamma
ค่า
การทำนายและประเมินผล
y_pred_gaussian = svc_gaussian.predict(X_test)
cm_title_gaussian = "Confusion matrix with Gaussian kernel"
display_results(y_test, y_pred_gaussian, cm_title_gaussian)
ผลลัพธ์ของ SVM เคอร์เนล Gaussian มีลักษณะดังนี้:
precision recall f1-score support 0 1.00 1.00 1.00 148 1 1.00 1.00 1.00 127 accuracy 1.00 275 macro avg 1.00 1.00 1.00 275
weighted avg 1.00 1.00 1.00 275
3. เคอร์เนลซิกมอยด์
สุดท้าย ให้ใช้เคอร์เนล sigmoid สำหรับการนำ Kernel SVM ไปใช้ ดูสคริปต์ต่อไปนี้:
svc_sigmoid = SVC(kernel='sigmoid')
svc_sigmoid.fit(X_train, y_train)
หากต้องการใช้เคอร์เนล sigmoid คุณต้องระบุ 'sigmoid' เป็นค่าสำหรับ kernel
พารามิเตอร์ของ SVC
ชั้นเรียน
การทำนายและประเมินผล
y_pred_sigmoid = svc_sigmoid.predict(X_test)
cm_title_sigmoid = "Confusion matrix with Sigmoid kernel"
display_results(y_test, y_pred_sigmoid, cm_title_sigmoid)
ผลลัพธ์ของ Kernel SVM ที่มีเคอร์เนล Sigmoid มีลักษณะดังนี้:
precision recall f1-score support 0 0.67 0.71 0.69 148 1 0.64 0.59 0.61 127 accuracy 0.65 275 macro avg 0.65 0.65 0.65 275
weighted avg 0.65 0.65 0.65 275
การเปรียบเทียบประสิทธิภาพของเคอร์เนลที่ไม่ใช่เชิงเส้น
หากเราเปรียบเทียบประสิทธิภาพโดยสังเขปของเคอร์เนลที่ไม่ใช่เชิงเส้นประเภทต่างๆ อาจดูเหมือนว่าเคอร์เนลซิกมอยด์มีเมตริกต่ำที่สุด จึงมีประสิทธิภาพแย่ที่สุด
ในบรรดาเคอร์เนลแบบเกาส์เซียนและพหุนาม เราจะเห็นว่าเคอร์เนลแบบเกาส์เซียนบรรลุอัตราการทำนายที่สมบูรณ์แบบ 100% ซึ่งมักจะน่าสงสัยและอาจบ่งชี้ว่าเกินพอดี ในขณะที่เคอร์เนลพหุนามจำแนกอินสแตนซ์ 68 อินสแตนซ์ของคลาส 1 ผิด
ดังนั้นจึงไม่มีกฎที่ยากและรวดเร็วว่าเคอร์เนลใดทำงานได้ดีที่สุดในทุกสถานการณ์หรือในสถานการณ์ปัจจุบันของเราโดยไม่ต้องค้นหาไฮเปอร์พารามิเตอร์เพิ่มเติม ทำความเข้าใจเกี่ยวกับรูปร่างของฟังก์ชันแต่ละรูปแบบ สำรวจข้อมูล และเปรียบเทียบการฝึกและผลการทดสอบเพื่อดูว่าอัลกอริทึม กำลังสรุป
มันคือทั้งหมดที่เกี่ยวกับการทดสอบเมล็ดทั้งหมดและเลือกหนึ่งเมล็ดด้วยการผสมผสานระหว่างพารามิเตอร์และการเตรียมข้อมูลที่ให้ผลลัพธ์ที่คาดหวังตามบริบทของโครงการของคุณ
ก้าวต่อไป – โครงการแบบ end-to-end แบบมือถือ
ธรรมชาติที่อยากรู้อยากเห็นของคุณทำให้คุณต้องการไปต่อหรือไม่? เราขอแนะนำให้ตรวจสอบของเรา โครงการแนะนำ: “การทำนายราคาบ้านแบบลงมือปฏิบัติ – การเรียนรู้ของเครื่องใน Python”.
ในโครงการแนะนำนี้ คุณจะได้เรียนรู้วิธีสร้างโมเดลแมชชีนเลิร์นนิงแบบดั้งเดิมที่ทรงพลังรวมถึงโมเดลการเรียนรู้เชิงลึก ใช้ Ensemble Learning และฝึกอบรมเมตาเลิร์นนิงเพื่อทำนายราคาบ้านจากโมเดล Scikit-Learn และ Keras
การใช้ Keras ซึ่งเป็น API การเรียนรู้เชิงลึกที่สร้างขึ้นบน Tensorflow เราจะทำการทดลองกับสถาปัตยกรรม สร้างชุดของโมเดลที่ซ้อนกัน และฝึก ผู้เรียนเมตา โครงข่ายประสาทเทียม (รุ่นระดับ 1) เพื่อหาราคาบ้าน
การเรียนรู้เชิงลึกนั้นน่าทึ่งมาก – แต่ก่อนที่จะหันไปใช้ ขอแนะนำให้พยายามแก้ปัญหาด้วยเทคนิคที่ง่ายกว่า เช่น การเรียนรู้ที่ตื้น อัลกอริทึม ประสิทธิภาพพื้นฐานของเราจะขึ้นอยู่กับ a การถดถอยของป่าแบบสุ่ม อัลกอริทึม นอกจากนี้ – เราจะสำรวจการสร้างชุดโมเดลผ่าน Scikit-Learn ผ่านเทคนิคต่างๆ เช่น การห่อ และ การออกเสียง.
นี่เป็นโครงการแบบ end-to-end และเช่นเดียวกับโครงการ Machine Learning ทั้งหมด เราจะเริ่มต้นด้วย – with การวิเคราะห์ข้อมูลเชิงสำรวจ, ติดตามโดย การประมวลผลข้อมูลล่วงหน้า และในที่สุดก็ อาคารตื้น และ โมเดลการเรียนรู้เชิงลึก เพื่อให้พอดีกับข้อมูลที่เราได้สำรวจและทำความสะอาดก่อนหน้านี้
สรุป
ในบทความนี้เราได้สรุปสั้นๆ เกี่ยวกับ SVM ศึกษาเกี่ยวกับเคล็ดลับเคอร์เนล และนำ SVM ที่ไม่ใช่เชิงเส้นไปใช้ในรูปแบบต่างๆ
ฉันขอแนะนำให้คุณใช้แต่ละเคอร์เนลและดำเนินการต่อไป คุณสามารถสำรวจคณิตศาสตร์ที่ใช้สร้างเคอร์เนลต่างๆ ว่าทำไมจึงสร้างเคอร์เนลและความแตกต่างเกี่ยวกับไฮเปอร์พารามิเตอร์ ด้วยวิธีนี้ คุณจะได้เรียนรู้เกี่ยวกับเทคนิคและประเภทเคอร์เนลที่ดีที่สุดที่จะใช้โดยขึ้นอยู่กับบริบทและข้อมูลที่มี
การมีความเข้าใจที่ชัดเจนเกี่ยวกับวิธีการทำงานของแต่ละเคอร์เนลและเวลาที่จะใช้จะช่วยคุณได้อย่างแน่นอน แจ้งให้เราทราบว่าความคืบหน้าเป็นอย่างไรและขอให้มีความสุขในการเขียนโค้ด!
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- การสร้างอนาคตโดย Adryenn Ashley เข้าถึงได้ที่นี่.
- ที่มา: https://stackabuse.com/implementing-other-svm-flavors-with-pythons-scikit-learn/
- :มี
- :เป็น
- :ไม่
- :ที่ไหน
- $ ขึ้น
- 1
- 20
- 67
- 8
- 84
- a
- สามารถ
- เกี่ยวกับเรา
- เกี่ยวกับมัน
- ตาม
- ความถูกต้อง
- ประสบความสำเร็จ
- จริง
- นอกจากนี้
- มีผลต่อ
- หลังจาก
- เตือนภัย
- ขั้นตอนวิธี
- อัลกอริทึม
- อัลกอริทึม
- ทั้งหมด
- จัดสรร
- แล้ว
- ด้วย
- แม้ว่า
- เสมอ
- น่าอัศจรรย์
- an
- และ
- API
- ใช้
- เข้าใกล้
- เป็น
- บทความ
- AS
- At
- ใช้ได้
- ถุง
- ธนาคาร
- ตาม
- baseline
- BE
- เพราะ
- จะกลายเป็น
- ก่อน
- การเริ่มต้น
- หลัง
- กำลัง
- ด้านล่าง
- ที่ดีที่สุด
- ระหว่าง
- ที่ใหญ่กว่า
- ชายแดน
- ทั้งสอง
- เขตแดน
- สั้น
- สร้าง
- สร้าง
- แต่
- by
- การคํานวณ
- โทรศัพท์
- ที่เรียกว่า
- CAN
- ไม่ได้
- กรณี
- การเปลี่ยนแปลง
- การตรวจสอบ
- Choose
- เลือก
- ชั้น
- ชั้นเรียน
- การจัดหมวดหมู่
- ชัดเจน
- อย่างใกล้ชิด
- ใกล้ชิด
- รหัส
- การผสมผสาน
- รวมกัน
- เปรียบเทียบ
- เปรียบเทียบ
- สมบูรณ์
- ซับซ้อน
- ข้อสรุป
- ความสับสน
- พิจารณา
- ถือว่า
- สิ่งแวดล้อม
- ตรงกัน
- ได้
- ปกคลุม
- สร้าง
- ที่สร้างขึ้น
- การสร้าง
- ข้าม
- ปัจจุบัน
- ข้อมูล
- จุดข้อมูล
- การเตรียมข้อมูล
- การตัดสินใจ
- ลึก
- การเรียนรู้ลึก ๆ
- ลึก
- อย่างแน่นอน
- องศา
- ทั้งนี้ขึ้นอยู่กับ
- ที่ได้มา
- อธิบาย
- รายละเอียด
- รายละเอียด
- ความแตกต่าง
- ความแตกต่าง
- ต่าง
- Dimension
- มิติ
- กล่าวถึง
- ระยะทาง
- do
- แต่ละ
- ก่อน
- จบสิ้น
- สิ้นสุด
- ความผิดพลาด
- การประเมินผล
- ทุกๆ
- ตัวอย่าง
- ดำเนินการ
- ที่คาดหวัง
- การทดลอง
- คำอธิบาย
- สำรวจ
- สำรวจ
- สำรวจ
- FAST
- คุณสมบัติ
- สองสาม
- รูป
- สุดท้าย
- ในที่สุด
- หา
- หา
- ชื่อจริง
- พอดี
- มีความยืดหยุ่น
- โฟกัส
- ตาม
- ดังต่อไปนี้
- สำหรับ
- ป่า
- ฟอร์ม
- สี่
- ราคาเริ่มต้นที่
- ฟังก์ชัน
- ต่อไป
- General
- ได้รับ
- ไป
- ให้
- Go
- ไป
- ตะแกรง
- ให้คำแนะนำ
- คู่มือ
- มือบน
- มีความสุข
- ยาก
- มี
- ช่วย
- โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม
- สูงกว่า
- บ้าน
- โฉบ
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- ทำอย่างไร
- อย่างไรก็ตาม
- HTML
- HTTPS
- ICON
- ความคิด
- การดำเนินการ
- การดำเนินการ
- การดำเนินการ
- สำคัญ
- in
- รวม
- ที่เพิ่มขึ้น
- แสดง
- อนันต์
- ตัวอย่าง
- อยากเรียนรู้
- น่าสนใจ
- เข้าไป
- บทนำ
- ร่วมมือ
- IT
- ITS
- ตัวเอง
- การเดินทาง
- jpg
- เก็บ
- Keras
- ชนิด
- ทราบ
- รู้ดี
- เรียนรู้
- การเรียนรู้
- LG
- ห้องสมุด
- ห้องสมุด
- ตั้งอยู่
- กดไลก์
- Line
- เส้น
- น้อย
- ดู
- LOOKS
- เครื่อง
- เรียนรู้เครื่อง
- เครื่อง
- แมโคร
- ทำ
- ทำ
- ทำให้
- การทำ
- หลาย
- แผนที่
- ขอบ
- คณิตศาสตร์
- คณิตศาสตร์
- matplotlib
- มดลูก
- เพิ่ม
- อาจ..
- กล่าวถึง
- แค่
- วิธีการ
- เมตริก
- ตัวชี้วัด
- อาจ
- แบบ
- โมเดล
- การแก้ไข
- ข้อมูลเพิ่มเติม
- มากที่สุด
- หลาย
- ลึกลับ
- ธรรมชาติ
- จำเป็น
- จำเป็นต้อง
- เครือข่าย
- เครือข่ายประสาท
- ถัดไป
- หมายเหตุ / รายละเอียดเพิ่มเติม
- ตอนนี้
- มึน
- ได้รับ
- ที่ได้รับ
- of
- on
- ONE
- เพียง
- ดีที่สุด
- or
- ใบสั่ง
- Organized
- อื่นๆ
- ของเรา
- เอาท์พุต
- หมีแพนด้า
- พารามิเตอร์
- พารามิเตอร์
- ส่วนหนึ่ง
- ส่ง
- สมบูรณ์
- การปฏิบัติ
- ดำเนินการ
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- จุด
- ที่มีประสิทธิภาพ
- ประยุกต์
- ความแม่นยำ
- คาดการณ์
- คำทำนาย
- การคาดการณ์
- เตรียมการ
- ก่อน
- ก่อนหน้านี้
- ราคา
- การทำนายราคา
- ราคา
- การตั้งราคา
- ปัญหา
- กระบวนการ
- ความคืบหน้า
- โครงการ
- โครงการ
- หลาม
- รวดเร็ว
- คะแนน
- ค่อนข้าง
- RBF
- มาถึง
- อ่าน
- จริง
- ปะยางรถ
- การได้รับ
- แนะนำ
- เกี่ยวกับ
- จำ
- ทำซ้ำ
- ซ้ำแล้วซ้ำอีก
- รายงาน
- REST
- ผลสอบ
- แหวน
- กฎ
- วิ่ง
- s
- เดียวกัน
- สถานการณ์
- scikit เรียนรู้
- ทะเลบอร์น
- ค้นหา
- ค้นหา
- Section
- เมล็ดพันธุ์
- เห็น
- ดูเหมือนว่า
- การเลือก
- แยก
- ชุด
- หลาย
- เงา
- รูปร่าง
- แสดง
- ง่าย
- ตั้งแต่
- So
- ของแข็ง
- การแก้
- บาง
- สะกด
- สแต็ค
- ซ้อนกัน
- มาตรฐาน
- มาตรฐาน
- เริ่มต้น
- สถิติ
- ขั้นตอน
- ขั้นตอน
- หยุด
- ตรง
- มีการศึกษา
- อย่างเช่น
- สนับสนุน
- พิรุธ
- SVG
- ตาราง
- เอา
- เป้า
- เทคนิค
- tensorflow
- ทดสอบ
- การทดสอบ
- ที่
- พื้นที่
- ของพวกเขา
- พวกเขา
- ที่นั่น
- พวกเขา
- คิด
- ที่สาม
- นี้
- สาม
- ตลอด
- เวลา
- ครั้ง
- ชื่อหนังสือ
- ไปยัง
- ด้านบน
- หัวข้อ
- แบบดั้งเดิม
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- แปลง
- การเปลี่ยนแปลง
- จริง
- ชนิด
- ตามแบบฉบับ
- เข้าใจ
- ความเข้าใจ
- us
- ใช้
- ใช้กรณี
- มือสอง
- การใช้
- มักจะ
- นำไปใช้
- การตรวจสอบ
- ความคุ้มค่า
- ความคุ้มค่า
- Ve
- รุ่น
- ผ่านทาง
- ทาง..
- we
- ดี
- คือ
- อะไร
- ความหมายของ
- ว่า
- ที่
- ในขณะที่
- ทำไม
- วิกิพีเดีย
- จะ
- กับ
- ไม่มี
- วอน
- การทำงาน
- โรงงาน
- แย่ที่สุด
- จะ
- X
- คุณ
- ของคุณ
- ลมทะเล