Machine Learning (ML) Cheat Sheet

เอกสารนี้สรุปประเด็นหลักใน Machine Learning สำหรับใช้เป็นแหล่งอ้างอิง

1. Learning Paradigms

Machine Learning สามารถแบ่งออกเป็นประเภทหลักๆ ตามวิธีการเรียนรู้ดังนี้

Supervised Learning

โมเดลเรียนรู้จาก Labeled Data โดย Algorithm พยายามหา Mapping Function จาก Input ไปยัง Output

• Classification: การทำนาย Categorical Labels (เช่น Spam Detection)
• Regression: การทำนาย Continuous Values (เช่น House Price Prediction)

Unsupervised Learning

โมเดลเรียนรู้จาก Unlabeled Data โดย Algorithm พยายามค้นหา Hidden Structure หรือรูปแบบในข้อมูล

• Clustering: การจัดกลุ่ม Data Points ที่มีลักษณะคล้ายกัน (เช่น K-Means)
• Dimensionality Reduction: การลดจำนวน Features โดยรักษา Information ให้มากที่สุด (เช่น PCA)

Reinforcement Learning

Agent เรียนรู้การตัดสินใจผ่านการกระทำใน Environment โดยรับ Feedback ในรูปของ Rewards หรือ Penalties เพื่อหา Optimal Policy

2. Bias-Variance Tradeoff

• Bias: Error ที่เกิดจากการใช้โมเดลที่เรียบง่ายเกินไป ทำให้ไม่สามารถจับความซับซ้อนของข้อมูลได้ นำไปสู่ปัญหา Underfitting
• Variance: Error ที่เกิดจากการที่โมเดลมีความไวต่อ Fluctuation ใน Training Data มากเกินไป ทำให้จับ Noise ในข้อมูล นำไปสู่ปัญหา Overfitting
• Tradeoff: การสร้างโมเดลที่มีประสิทธิภาพจำเป็นต้องหาจุดสมดุล (Sweet Spot) ระหว่าง Bias และ Variance เพื่อให้ได้ Minimum Total Error บน Unseen Data

3. Evaluation Metrics

• Accuracy: อัตราส่วนของการทำนายที่ถูกต้องทั้งหมด
• Precision: สัดส่วนของ True Positives จาก Positive Predictions ทั้งหมด
• Recall (Sensitivity): สัดส่วนของ True Positives จาก Actual Positives ทั้งหมด
• F1 Score: ค่า Harmonic Mean ระหว่าง Precision และ Recall