ผลกระทบของการเข้ารหัสตามหมวดหมู่ที่มีต่อวิธีการตรวจจับความผิดปกติ

บทนำ

โลกของข้อมูลการตรวจสอบอาจซับซ้อน โดยมีความท้าทายมากมายที่ต้องเอาชนะ หนึ่งในความท้าทายที่ใหญ่ที่สุดคือการจัดการแอตทริบิวต์ที่เป็นหมวดหมู่ในขณะที่จัดการกับชุดข้อมูล ในบทความนี้ เราจะเจาะลึกโลกของข้อมูลการตรวจสอบ การตรวจจับความผิดปกติ และผลกระทบของการเข้ารหัสแอตทริบิวต์หมวดหมู่ในโมเดล

หนึ่งในความท้าทายหลักที่เกี่ยวข้องกับการตรวจจับความผิดปกติสำหรับข้อมูลการตรวจสอบคือการจัดการแอตทริบิวต์ที่เป็นหมวดหมู่ การเข้ารหัสแอตทริบิวต์หมวดหมู่เป็นสิ่งจำเป็นเนื่องจากแบบจำลองไม่สามารถตีความการป้อนข้อความได้ โดยทั่วไป ทำได้โดยใช้การเข้ารหัสฉลากหรือการเข้ารหัสแบบร้อนครั้งเดียว อย่างไรก็ตาม ในชุดข้อมูลขนาดใหญ่ การเข้ารหัสแบบ One-hot อาจทำให้โมเดลมีประสิทธิภาพต่ำเนื่องจากมิติที่สาปแช่ง

วัตถุประสงค์การเรียนรู้

สารบัญ

1. อัตตาคืออะไร?
2.  การตรวจจับความผิดปกติคืออะไร?
3. ความท้าทายสำคัญที่เผชิญขณะตรวจสอบข้อมูล
4. การตรวจสอบชุดข้อมูลสำหรับการตรวจจับความผิดปกติ
5.  การเข้ารหัสแอตทริบิวต์หมวดหมู่
6.  การเข้ารหัสตามหมวดหมู่
7. แบบจำลองการตรวจจับความผิดปกติที่ไม่ได้รับการดูแล
8. การเข้ารหัสแอตทริบิวต์ตามหมวดหมู่ส่งผลกระทบต่อโมเดลอย่างไร
   8.1 การแสดง t-SNE ของชุดข้อมูลประกันภัยรถยนต์
   8.2 การแสดง t-SNE ของชุดข้อมูลประกันภัยรถยนต์
   8.3 การแสดง t-SNE ของชุดข้อมูลการเรียกร้องยานพาหนะ
9.  สรุป

ที่การตรวจสอบข้อมูล?

ข้อมูลการตรวจสอบอาจรวมถึงวารสาร การเรียกร้องค่าสินไหมทดแทน และข้อมูลการบุกรุกสำหรับระบบสารสนเทศ ในบทความนี้จะยกตัวอย่างการเคลมประกันภัยรถยนต์ การเรียกร้องค่าสินไหมทดแทนแตกต่างจากชุดข้อมูลการตรวจจับความผิดปกติ เช่น KDD ด้วยคุณลักษณะตามหมวดหมู่จำนวนมากขึ้น

คุณสมบัติตามหมวดหมู่เป็นข้อโต้แย้งในข้อมูลของเราที่สามารถเป็นได้ทั้งประเภทจำนวนเต็มหรืออักขระ คุณลักษณะที่เป็นตัวเลขคือแอตทริบิวต์ที่ต่อเนื่องในข้อมูลของเราซึ่งมีค่าตามจริงเสมอ ชุดข้อมูลที่มีคุณสมบัติเป็นตัวเลขเป็นที่นิยมในชุมชนการตรวจจับความผิดปกติ เช่น ข้อมูลการฉ้อโกงบัตรเครดิต ชุดข้อมูลที่เผยแพร่ต่อสาธารณะส่วนใหญ่มีคุณลักษณะการจัดหมวดหมู่น้อยกว่าข้อมูลการเรียกร้องค่าสินไหมทดแทน คุณลักษณะตามหมวดหมู่มีจำนวนมากกว่าคุณลักษณะที่เป็นตัวเลขในชุดข้อมูลการเรียกร้องค่าสินไหมทดแทน

การเคลมประกันประกอบด้วยคุณสมบัติต่างๆ เช่น รุ่น ยี่ห้อ รายได้ ต้นทุน ปัญหา สี เป็นต้น จำนวนของคุณสมบัติตามหมวดหมู่ในข้อมูลการตรวจสอบมีมากกว่าในชุดข้อมูลบัตรเครดิตและ KDD ชุดข้อมูลเหล่านี้เป็นเกณฑ์มาตรฐานในวิธีการตรวจจับสิ่งผิดปกติที่ไม่มีผู้ดูแล ดังที่เห็นในตารางด้านล่าง ชุดข้อมูลการเคลมประกันมีคุณลักษณะที่เป็นหมวดหมู่มากขึ้น ซึ่งมีความสำคัญต่อการทำความเข้าใจพฤติกรรมของข้อมูลที่ฉ้อฉล

ชุดข้อมูลการตรวจสอบที่ใช้ในการประเมินผลกระทบของการเข้ารหัสตามหมวดหมู่ ได้แก่ การประกันภัยรถยนต์ การประกันภัยรถยนต์ และการเคลมรถยนต์

การตรวจจับความผิดปกติคืออะไร?

ความผิดปกติคือการสังเกตที่อยู่ห่างไกลจากข้อมูลปกติในชุดข้อมูลตามระยะทางที่กำหนด (Threshold) ในแง่ของการตรวจสอบข้อมูล เราต้องการคำว่าข้อมูลที่เป็นการฉ้อฉล การตรวจจับความผิดปกติจะแยกแยะระหว่างข้อมูลปกติและข้อมูลปลอมโดยใช้แมชชีนเลิร์นนิงหรือโมเดลการเรียนรู้เชิงลึก วิธีการต่างๆ สามารถใช้สำหรับการตรวจจับความผิดปกติ เช่น การประมาณค่าความหนาแน่น ข้อผิดพลาดในการสร้างใหม่ และวิธีการจำแนกประเภท

• การประมาณค่าความหนาแน่น – วิธีการเหล่านี้ประมาณการแจกแจงข้อมูลปกติและจัดประเภทข้อมูลที่ผิดปกติหากไม่ได้สุ่มตัวอย่างจากการแจกแจงที่เรียนรู้
• ข้อผิดพลาดในการสร้างใหม่ – วิธีการตามข้อผิดพลาดของการสร้างใหม่ขึ้นอยู่กับหลักการที่ว่าข้อมูลปกติสามารถสร้างขึ้นใหม่โดยมีความสูญเสียน้อยกว่าข้อมูลที่ผิดปกติ ยิ่งการสูญเสียการสร้างใหม่สูงเท่าใด โอกาสที่ข้อมูลจะผิดปกติก็จะยิ่งเพิ่มสูงขึ้นเท่านั้น
• วิธีการจำแนกประเภท - วิธีการจำแนกเช่น ป่าสุ่ม, Isolation Forest, One Class – Support Vector Machines และ Local Outlier Factors สามารถใช้สำหรับการตรวจจับความผิดปกติได้ การจำแนกประเภทในการตรวจจับความผิดปกติเกี่ยวข้องกับการระบุคลาสใดคลาสหนึ่งว่าเป็นความผิดปกติ ถึงกระนั้น คลาสจะถูกแบ่งออกเป็นสองกลุ่ม (0 และ 1) ในสถานการณ์หลายคลาส และคลาสที่มีข้อมูลน้อยกว่าคือคลาสที่ผิดปกติ

ผลลัพธ์ของวิธีการข้างต้นคือคะแนนความผิดปกติหรือข้อผิดพลาดในการสร้างใหม่ จากนั้นเราต้องตัดสินใจเลือกเกณฑ์ตามที่เราจัดประเภทข้อมูลที่ผิดปกติ

ความท้าทายสำคัญที่เผชิญขณะตรวจสอบข้อมูล

• การจัดการแอตทริบิวต์หมวดหมู่:  การเข้ารหัสแอตทริบิวต์หมวดหมู่เป็นสิ่งจำเป็นเนื่องจากแบบจำลองไม่สามารถตีความการป้อนข้อความได้ ดังนั้น ค่าต่างๆ จะถูกเข้ารหัสด้วยการเข้ารหัส Label หรือการเข้ารหัส One Hot แต่ในชุดข้อมูลขนาดใหญ่ One hot encoding จะแปลงข้อมูลเป็นพื้นที่มิติสูงโดยเพิ่มจำนวนแอตทริบิวต์ โมเดลทำงานได้ไม่ดีเนื่องจาก คำสาปแห่งมิติ.
• การเลือกเกณฑ์สำหรับการจำแนกประเภท:  หากข้อมูลไม่มีป้ายกำกับ เป็นการยากที่จะประเมินประสิทธิภาพของโมเดล เนื่องจากเราไม่ทราบจำนวนความผิดปกติที่มีอยู่ในชุดข้อมูล ความรู้เดิมเกี่ยวกับชุดข้อมูลทำให้กำหนดเกณฑ์ได้ง่ายขึ้น สมมติว่าเรามีตัวอย่างที่ผิดปกติ 5 ใน 10 ตัวอย่างในข้อมูลของเรา เราจึงสามารถเลือกเกณฑ์ได้ที่คะแนนเปอร์เซ็นไทล์ 50
• ชุดข้อมูลสาธารณะ: ชุดข้อมูลการตรวจสอบส่วนใหญ่เป็นความลับเนื่องจากเป็นของบริษัทองค์กรและมีข้อมูลส่วนตัวที่ละเอียดอ่อน วิธีหนึ่งที่เป็นไปได้ในการลดปัญหาการรักษาความลับคือการฝึกอบรมโดยใช้ชุดข้อมูลสังเคราะห์ (การอ้างสิทธิ์ในรถยนต์)

การตรวจสอบชุดข้อมูลสำหรับการตรวจจับความผิดปกติ

การเคลมประกันภัยสำหรับรถยนต์ประกอบด้วยข้อมูลเกี่ยวกับคุณสมบัติของรถยนต์ เช่น รุ่น ยี่ห้อ ราคา ปี และประเภทเชื้อเพลิง ประกอบด้วยข้อมูลเกี่ยวกับคนขับ วันเกิด เพศ และอาชีพ นอกจากนี้ การเรียกร้องอาจรวมถึงข้อมูลเกี่ยวกับต้นทุนรวมของการซ่อม ชุดข้อมูลที่ใช้ในบทความนี้ทั้งหมดมาจากโดเมนเดียว แต่จะแตกต่างกันไปตามจำนวนแอตทริบิวต์และจำนวนอินสแตนซ์

การเข้ารหัสแอตทริบิวต์ตามหมวดหมู่

การเข้ารหัสค่าหมวดหมู่ที่แตกต่างกัน

• การเข้ารหัสฉลาก – ในการเข้ารหัสฉลาก ค่าหมวดหมู่จะถูกแทนที่ด้วยค่าเลขจำนวนเต็มระหว่าง 1 ถึงจำนวนหมวดหมู่ การเข้ารหัสฉลากแสดงถึงหมวดหมู่ในลักษณะที่ต้องการสำหรับค่าลำดับ ถึงกระนั้น เมื่อคุณลักษณะเป็นแบบระบุชื่อ การแสดงจะไม่ถูกต้องเนื่องจากค่าหมวดหมู่ไม่สอดคล้องกับคำสั่งเฉพาะ
  ตัวอย่างเช่น หากเรามีหมวดหมู่ เช่น อัตโนมัติ ไฮบริด แมนนวล และกึ่งอัตโนมัติในคุณลักษณะ การเข้ารหัสป้ายกำกับจะแปลงค่าเหล่านี้เป็น {1: อัตโนมัติ 2: ไฮบริด 3: กำหนดเอง 4:กึ่งอัตโนมัติ} การแสดงนี้ไม่ได้ให้ข้อมูลเกี่ยวกับค่าตามหมวดหมู่ แต่การแสดงเช่น {0: ต่ำ, 1: ปานกลาง, 2: สูง} ให้การแสดงที่ชัดเจนเนื่องจากตัวแปรคุณลักษณะต่ำได้รับการกำหนดค่าตัวเลขที่ต่ำกว่า ดังนั้น การเข้ารหัสฉลากจึงดีกว่าสำหรับค่าลำดับ แต่เสียเปรียบสำหรับค่าเล็กน้อย
• หนึ่งการเข้ารหัสร้อน – One Hot encoding ใช้เพื่อแก้ไขปัญหาของค่าการเข้ารหัสเล็กน้อย ซึ่งจะแปลงค่าตามหมวดหมู่แต่ละค่าเป็นคุณสมบัติที่แตกต่างกันในชุดข้อมูลที่ประกอบด้วยค่าไบนารี ตัวอย่างเช่น ในกรณีของสี่หมวดหมู่ที่แตกต่างกันซึ่งเข้ารหัสเป็น {1, 2, 3, 4} การเข้ารหัสแบบ Hot เดียวจะสร้างคุณสมบัติใหม่ เช่น {อัตโนมัติ: [1,0,0,0], ไฮบริด: [0,1,0,0 ,0,0,1,0], แมนนวล: [0,0,0,1], กึ่งอัตโนมัติ: [XNUMX]}
  ขนาดของชุดข้อมูลนั้นขึ้นอยู่กับจำนวนหมวดหมู่ที่มีอยู่ในชุดข้อมูลโดยตรง ด้วยเหตุนี้ การเข้ารหัสแบบ One Hot อาจนำไปสู่การสาปแช่งของมิติ ซึ่งเป็นข้อเสียเปรียบของวิธีการเข้ารหัสนี้
• การเข้ารหัสเจล – การเข้ารหัส GEL เป็นเทคนิคการฝังที่สามารถใช้ในวิธีการเรียนรู้แบบมีผู้สอนและไม่มีผู้ดูแล มันขึ้นอยู่กับหลักการของการเข้ารหัสแบบ One Hot และสามารถใช้เพื่อลดมิติของคุณสมบัติตามหมวดหมู่ที่ได้รับการเข้ารหัสโดยใช้การเข้ารหัสแบบ One Hot
• การฝังเลเยอร์ -  การฝังคำเป็นวิธีการใช้การแสดงที่กะทัดรัดและหนาแน่น ซึ่งคำที่คล้ายกันมีการเข้ารหัสที่คล้ายคลึงกัน การฝังเป็นเวกเตอร์หนาแน่นของค่าทศนิยมที่เป็นพารามิเตอร์ที่ฝึกได้ การฝัง Word มีตั้งแต่ 8 มิติ (สำหรับชุดข้อมูลขนาดเล็ก) ไปจนถึง 1024 มิติ (สำหรับชุดข้อมูลขนาดใหญ่)
  การฝังมิติที่สูงขึ้นสามารถบันทึกความสัมพันธ์ที่มีรายละเอียดมากขึ้นระหว่างคำ แต่ต้องใช้ข้อมูลมากขึ้นในการเรียนรู้ เลเยอร์การฝังเป็นตารางการค้นหาที่แปลงแต่ละคำที่มีอยู่ในเมทริกซ์เป็นเวกเตอร์ที่มีขนาดเฉพาะ

แบบจำลองการตรวจจับความผิดปกติที่ไม่ได้รับการดูแล

ในโลกแห่งความเป็นจริง ข้อมูลส่วนใหญ่ไม่ได้ติดป้ายกำกับ และการติดป้ายกำกับข้อมูลนั้นมีราคาแพงและใช้เวลานาน ดังนั้น เราจะใช้แบบจำลองที่ไม่มีผู้ดูแลสำหรับการประเมินของเรา

• SOM  - Self-Organizing Map (SOM) เป็นวิธีการเรียนรู้แบบแข่งขันที่น้ำหนักของเซลล์ประสาทได้รับการปรับปรุงให้แข่งขันได้แทนที่จะใช้การเรียนรู้แบบย้อนกลับ SOM ประกอบด้วยแผนผังของเซลล์ประสาท โดยแต่ละตัวมีเวกเตอร์น้ำหนักที่มีขนาดเท่ากันกับเวกเตอร์อินพุต เวกเตอร์น้ำหนักจะเริ่มต้นด้วยน้ำหนักสุ่มก่อนเริ่มการฝึก ระหว่างการฝึก ข้อมูลแต่ละรายการจะถูกเปรียบเทียบกับเซลล์ประสาทของแผนที่ตามเมตริกระยะทาง (เช่น ระยะทางแบบยุคลิด) และจะถูกจับคู่กับหน่วยจับคู่ที่ดีที่สุด (BMU) ซึ่งเป็นเซลล์ประสาทที่มีระยะทางน้อยที่สุดจากเวกเตอร์อินพุต
  น้ำหนักของ BMU ได้รับการอัปเดตด้วยน้ำหนักของเวกเตอร์อินพุต และเซลล์ประสาทที่อยู่ใกล้เคียงจะได้รับการอัปเดตตามรัศมีย่าน (sigma) เนื่องจากเซลล์ประสาทแข่งขันกันเองเพื่อเป็นหน่วยจับคู่ที่ดีที่สุด กระบวนการนี้จึงเรียกว่าการเรียนรู้แบบแข่งขัน ในท้ายที่สุด เซลล์ประสาทของตัวอย่างปกติจะอยู่ใกล้กว่าเซลล์ที่ผิดปกติ คะแนนความผิดปกติถูกกำหนดโดยข้อผิดพลาดเชิงปริมาณ ซึ่งเป็นความแตกต่างระหว่างตัวอย่างอินพุตและน้ำหนักของหน่วยที่ตรงกันที่ดีที่สุด ข้อผิดพลาดเชิงปริมาณที่สูงขึ้นบ่งชี้ว่ามีความเป็นไปได้สูงที่ตัวอย่างจะเป็นความผิดปกติ
• แดกเอ็มเอ็ม –  Deep Autoencoding Gaussian Mixture Model (DAGMM) เป็นวิธีการประมาณค่าความหนาแน่นที่อนุมานว่าความผิดปกตินั้นอยู่ในพื้นที่ที่มีความน่าจะเป็นต่ำ เครือข่ายแบ่งออกเป็นสองส่วน: เครือข่ายการบีบอัดซึ่งใช้ในการฉายข้อมูลในมิติที่ต่ำกว่าโดยใช้ตัวเข้ารหัสอัตโนมัติ และเครือข่ายการประเมินซึ่งใช้ในการประมาณค่าพารามิเตอร์ของโมเดลผสม Gaussian DAGMM ประมาณค่า k ของส่วนผสมแบบเกาส์ โดยที่ k สามารถเป็นตัวเลขใดๆ ก็ได้ตั้งแต่ 1 ถึง N (จำนวนจุดข้อมูล) และสันนิษฐานว่าจุดปกติอยู่ในบริเวณที่มีความหนาแน่นสูง หมายความว่าความน่าจะเป็นที่จะถูกสุ่มตัวอย่างจาก ส่วนผสมของ Gaussian มีค่าสูงกว่าสำหรับตัวอย่างที่ผิดปกติ คะแนนความผิดปกติกำหนดโดยพลังงานโดยประมาณของตัวอย่าง
• ราสเร – เลเยอร์การกู้คืนพื้นผิวที่แข็งแกร่งสำหรับการตรวจจับความผิดปกติที่ไม่มีผู้ดูแลคือวิธีการสร้างข้อผิดพลาดขึ้นใหม่ ซึ่งในขั้นแรกจะฉายข้อมูลไปยังมิติที่ต่ำกว่าโดยใช้ตัวเข้ารหัสอัตโนมัติ จากนั้นการแทนแบบแฝงจะถูกฉายภาพแบบมุมฉากไปยังพื้นที่ย่อยเชิงเส้นที่แข็งแกร่งต่อค่าผิดปกติ จากนั้นตัวถอดรหัสจะสร้างเอาต์พุตใหม่จากพื้นที่ย่อยเชิงเส้น ในวิธีนี้ ข้อผิดพลาดในการสร้างใหม่ที่สูงขึ้นบ่งชี้ว่ามีความเป็นไปได้สูงที่ตัวอย่างจะผิดปกติ
• ส้ม-DAGMM- แผนที่ที่จัดระเบียบตัวเอง (SOM) – แบบจำลองการผสมแบบเกาส์เซียนเข้ารหัสอัตโนมัติเชิงลึก (DAGMM) เป็นแบบจำลองการประมาณค่าความหนาแน่นด้วย เช่นเดียวกับ DAGMM มันยังประมาณการแจกแจงความน่าจะเป็นของจุดข้อมูลปกติและจัดประเภทจุดข้อมูลเป็นความผิดปกติหากมีความเป็นไปได้ต่ำที่จะถูกสุ่มตัวอย่างจากการแจกแจงที่เรียนรู้ ข้อแตกต่างหลักระหว่าง SOM-DAGMM และ DAGMM คือ SOM-DAGMM รวมพิกัดมาตรฐานของ SOM สำหรับตัวอย่างอินพุต ซึ่งให้ข้อมูลโทโพโลยีที่ขาดหายไปในกรณีของ DAGMM ไปยังเครือข่ายการประมาณค่า วัตถุประสงค์ยังคล้ายกับ DAGMM ตรงที่คะแนนความผิดปกติถูกกำหนดโดยพลังงานโดยประมาณของตัวอย่าง และพลังงานต่ำบ่งชี้ว่ามีความเป็นไปได้สูงที่ตัวอย่างจะเป็นความผิดปกติ

ต่อไป เราจะจัดการกับความท้าทายในการจัดการแอตทริบิวต์ที่เป็นหมวดหมู่

การเข้ารหัสแอตทริบิวต์ตามหมวดหมู่ส่งผลกระทบต่อโมเดลอย่างไร

เพื่อให้เข้าใจถึงผลกระทบของการเข้ารหัสต่างๆ ในชุดข้อมูล เราจะใช้ t-SNE เพื่อแสดงภาพการแสดงข้อมูลในมิติต่ำสำหรับการเข้ารหัสต่างๆ t-SNE ฉายข้อมูลมิติสูงลงในพื้นที่มิติที่ต่ำกว่า ทำให้เห็นภาพได้ง่ายขึ้น เมื่อเปรียบเทียบการแสดงภาพ t-SNE และผลลัพธ์ที่เป็นตัวเลขของการเข้ารหัสที่แตกต่างกันของชุดข้อมูลเดียวกัน ความแตกต่างจะสังเกตได้จากการแสดงผลลัพธ์และความเข้าใจในผลกระทบของการเข้ารหัสต่อชุดข้อมูล

การแสดง t-SNE ของชุดข้อมูลประกันภัยรถยนต์

การแสดง t-SNE ของชุดข้อมูลการประกันภัยรถยนต์

• ข้อมูลอยู่ใกล้กันมากกว่าเนื่องจากจำนวนแถวสูงกว่าในชุดข้อมูลประกันภัยรถยนต์ แยกออกได้ยากด้วยมิติที่เพิ่มขึ้นในการเข้ารหัสแบบ One Hot

• การเข้ารหัส GEL ดีกว่าการเข้ารหัส One Hot ในทุกกรณี ยกเว้น DAGMM

การแสดง t-SNE ของชุดข้อมูลการอ้างสิทธิ์ยานพาหนะ

สรุป

บทความนี้นำเสนอภาพรวมโดยย่อของข้อมูลการตรวจสอบ การตรวจจับความผิดปกติ และการเข้ารหัสตามหมวดหมู่ สิ่งสำคัญคือต้องเข้าใจว่าการจัดการแอตทริบิวต์ที่เป็นหมวดหมู่ในข้อมูลการตรวจสอบเป็นสิ่งที่ท้าทาย ด้วยการทำความเข้าใจผลกระทบของการเข้ารหัสแอตทริบิวต์ในโมเดล เราสามารถปรับปรุงความแม่นยำในการตรวจจับความผิดปกติในชุดข้อมูลได้ ประเด็นสำคัญจากบทความนี้คือ:

• เมื่อขนาดของข้อมูลเพิ่มขึ้น สิ่งสำคัญคือต้องใช้วิธีการเข้ารหัสทางเลือกสำหรับแอตทริบิวต์ที่เป็นหมวดหมู่ เช่น การเข้ารหัสแบบ GEL และการฝังเลเยอร์ เนื่องจากการเข้ารหัส One Hot ไม่เหมาะสม
• โมเดลเดียวใช้ไม่ได้กับชุดข้อมูลทั้งหมด สำหรับชุดข้อมูลแบบตาราง ความรู้ด้านโดเมนมีความสำคัญอย่างยิ่ง
• การเลือกวิธีการเข้ารหัสขึ้นอยู่กับการเลือกรุ่น

รหัสสำหรับการประเมินโมเดลมีอยู่ใน GitHub.

สื่อที่แสดงในบทความนี้ไม่ได้เป็นของ Analytics Vidhya และถูกใช้ตามดุลยพินิจของผู้เขียน

ที่เกี่ยวข้อง

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
• ที่มา: https://www.analyticsvidhya.com/blog/2023/01/impact-of-categorical-encodings-on-anomaly-detection-methods/