กรอบการขุดข้อมูล:

1. คริส-DM
2. เซมา

1. อนาคอนด้า/มินิคอนด้า
2. สตรีมไลท์
3. สมุดบันทึก Jupyter
4. ม.ล.โฟลว์
5. น้ำหนักและอคติ
6. ดาวหาง.ml

1. Matplotlib
2. ซีบอร์น
3. พล็อต
4. PivotTable.js

สำหรับปัญหาการจัดหมวดหมู่:

-Accuracy
- Precision (P)
- Recall (R)
- F1 score (F1)
- Area under the ROC (Receiver Operating Characteristic) curve
- Log loss
- Precision at k ( P@k )
- Average precision at k ( AP@k )
- ค่าเฉลี่ยความแม่นยำที่ k ( MAP@k )

สำหรับปัญหาการถดถอย:

- ข้อผิดพลาดสัมบูรณ์เฉลี่ย (MAE)
- ค่าเฉลี่ย
ข้อผิดพลาดกำลังสอง (MSE) - ข้อผิดพลาดค่า
เฉลี่ยกำลังสองรูท (RMSE) - รูตค่าเฉลี่ยข้อผิดพลาดลอการิทึมกำลังสอง (RMSLE)
- ข้อผิดพลาดค่าเฉลี่ยเปอร์เซ็นต์ (MPE)
- ค่าเฉลี่ยข้อผิดพลาดเปอร์เซ็นต์สัมบูรณ์ (MAPE)
- R2

โมเดลฮับ / สวนสัตว์:

1. โมเดลใบหน้ากอด
2. ฮับ ​​TensorFlow
3. ฮับ ​​PyTorch

1. ค้นหาตาราง
2. ค้นหาแบบสุ่ม
3. การค้นหาแบบหยาบถึงละเอียด
4. การเพิ่มประสิทธิภาพ แบบเบย์
   ด้วยกระบวนการ Gaussian
5. ข้าม
6. ไฮเปอร์ออพติค
7. การกวาดพารามิเตอร์ไฮเปอร์ของ W&B
8. เรย์ ทูน
9. ออปทูน่า

1. Z-คะแนน
2. วิธีไอคิวอาร์
3. วิธีเปอร์เซ็นไทล์
4. พล็อตที่เหลือเทียบกับเลเวอเรจ

1. สุ่มภายใต้ตัวอย่าง
2. สุ่มมากกว่าตัวอย่าง
3. สโมต

1. Pandas-การทำโปรไฟล์
2. สวีตวิซ
3. ออโตวิซ
4. ดีเทล

1. การตรวจสอบข้าม k-fold
2. การตรวจสอบข้ามแบบแบ่งชั้น k-fold
3. การตรวจสอบตามการระงับ
4. การตรวจสอบข้ามแบบเว้นครั้งเดียว
5. การตรวจสอบข้ามกลุ่ม k-fold

1. คุณสมบัติวันที่และเวลาของหมีแพนด้า
2. มวลรวมในหมีแพนด้า
3. ไลบรารี tsfresh (สำหรับข้อมูลอนุกรมเวลา)
4. คุณสมบัติพหุนาม (Sk-learn)
5. Binning (ใช้ฟังก์ชันตัดแพนด้า)
6. การแปลง (บันทึก, ซึ่งกันและกัน, พลังงาน, กล่อง-cox, ฯลฯ )

1. เกณฑ์ความแปรปรวนและปัจจัยเงินเฟ้อแปรปรวน (VIF)
2. ค่าสัมประสิทธิ์ของคุณลักษณะและความสำคัญของคุณลักษณะ
3. ความสัมพันธ์แบบเพียร์สัน
4. ไคสแควร์
5. F-ทดสอบ
6. ข้อมูลซึ่งกันและกัน
7. การเลือกคุณสมบัติโลภ
8. RFE (การกำจัดคุณลักษณะแบบเรียกซ้ำ)
9. SelectFromModel (จาก Sklearn)

1. รวมหลายรุ่นเป็นประเภทที่คล้ายกัน:
2. การบรรจุถุง
3. การส่งเสริม
• การจำแนกประเภทการลงคะแนนเสียง
• การผสม / การซ้อน
1. PCA (ส่วนเพิ่ม, เคอร์เนล, สุ่ม)
2. LLE (การฝังเชิงเส้นในเครื่อง)
3. การปรับขนาดหลายมิติ (MDS)
4. t-กระจายสุ่มเพื่อนบ้านฝัง (t-SNE)
5. ไอโซแมป
6. การสลายตัวของค่าเอกพจน์ (SVD)
1. การถดถอยและการจำแนกประเภท:
2. การถดถอย OLS
3. การถดถอยพหุนาม
4. โมเดลเชิงเส้นทั่วไป (GLM)
5. Curvefit (การถดถอยแบบไม่เชิงเส้น)
6. การถดถอยแบบ Lasso & Ridge
7. การถดถอยของ ElasticNet
8. การถดถอยโลจิสติก
9. ลักษณนามขี้เกียจ
10. การถดถอยของ Softmax
11. เอส.วี.เอ็ม
12. เคเอ็นเอ็น
13. ป่าสุ่ม
14. อดาบูสต์
15. XGboost
• K-หมายถึง
• การรวมกลุ่มแบบรวมกลุ่ม
• การจัดกลุ่มสเปกตรัม
• หมายถึงกะ
• การรวมกลุ่มเชิงพื้นที่ตามความหนาแน่นของแอปพลิเคชันที่มีสัญญาณรบกวน
  (DBSCAN)
• K-เมดอยด์
• การประมาณค่าความหนาแน่นของเคอร์เนล (KDE) & เกณฑ์การเลือกแบนด์วิธ
• การตรวจจับความผิดปกติด้วย Isolation Forests

ฉันหวังว่าบทความนี้จะช่วยคุณในการให้แนวคิดโดยรวมเกี่ยวกับแนวทาง ML ต่างๆ หากคุณชอบสิ่งนี้ แจ้งให้เราทราบในความคิดเห็น แบ่งปันกับเพื่อน ๆ !! สิ่งนี้ต้องใช้เวลาและความพยายามอย่างมากในการทำให้สำเร็จ ดังนั้นข้อเสนอแนะจึงได้รับการชื่นชมอย่างมาก! ❤️

ติดตามฉันบนสื่อ & LinkedIn & Twitter ของฉัน สำหรับบทความดังกล่าวเพิ่มเติม!