ในสาขาการเรียนรู้ของเครื่อง "Capping" หมายถึงกระบวนการตั้งค่าขีด จำกัด สูงสุดหรือต่ำสุดสำหรับตัวแปรหรือคุณสมบัติในชุดข้อมูล เทคนิคนี้มักจะใช้เพื่อป้องกันค่าผิดปกติหรือค่าสุดขีดจากการบิดเบือนผลลัพธ์ของแบบจำลองและส่งผลกระทบต่อประสิทธิภาพโดยรวม
Capping มีความสำคัญในการเรียนรู้ของเครื่องเนื่องจากค่าผิดปกติอาจมีผลกระทบอย่างมีนัยสำคัญต่อความแม่นยำและความน่าเชื่อถือของแบบจำลอง ค่าผิดปกติคือจุดข้อมูลที่แตกต่างอย่างมากจากชุดข้อมูลที่เหลือและสามารถบิดเบือนรูปแบบและความสัมพันธ์ที่โมเดลพยายามเรียนรู้ ด้วยการกำหนดค่าผิดปกติเหล่านี้เราสามารถมั่นใจได้ว่าแบบจำลองของเรามีความแข็งแกร่งและสามารถทำนายได้อย่างแม่นยำมากขึ้น
มีหลายวิธีในการ จำกัด ค่าผิดปกติในชุดข้อมูล วิธีการทั่วไปอย่างหนึ่งคือการตั้งค่าหมวกแข็งบนค่าของตัวแปรไม่ว่าจะโดยการตัดทอนค่าใด ๆ ที่อยู่ด้านบนหรือต่ำกว่าเกณฑ์ที่แน่นอนหรือโดยการแทนที่ด้วยค่าเกณฑ์เอง อีกวิธีหนึ่งคือการใช้หมวกที่อ่อนนุ่มซึ่งค่าผิดปกติได้รับการช่วยเหลือหรือเปลี่ยนเพื่อนำพวกเขาเข้าใกล้ส่วนที่เหลือของข้อมูล
Capping สามารถนำไปใช้กับตัวแปรตัวเลขและหมวดหมู่ในชุดข้อมูล สำหรับตัวแปรเชิงตัวเลข Capping สามารถช่วยให้แน่ใจว่าการกระจายข้อมูลนั้นสอดคล้องกับสมมติฐานของแบบจำลองอย่างใกล้ชิดยิ่งขึ้น สำหรับตัวแปรเชิงหมวดหมู่การ Capping สามารถช่วยลดผลกระทบของหมวดหมู่ที่หายากหรือผิดปกติซึ่งอาจมีข้อมูลไม่เพียงพอที่จะเชื่อถือได้
โดยรวมแล้ว Capping เป็นเทคนิคสำคัญในการเรียนรู้ของเครื่องสำหรับข้อมูลการประมวลผลล่วงหน้าและปรับปรุงประสิทธิภาพของโมเดล ด้วยการตั้งค่าขีด จำกัด ของค่าผิดปกติและค่าที่รุนแรงเราสามารถช่วยสร้างโมเดลที่แม่นยำและเชื่อถือได้มากขึ้นซึ่งสามารถสรุปข้อมูลใหม่ได้ดีขึ้น ดังนั้นในครั้งต่อไปที่คุณทำงานกับรูปแบบการเรียนรู้ของเครื่องลองใช้ Capping เพื่อให้แน่ใจว่าผลลัพธ์ของคุณมีความแม่นยำและเชื่อถือได้มากที่สุด