Isolation Forest on NBA Players Dataset

Overview

โปรเจกต์นี้เป็นการใช้ Isolation Forest สำหรับการตรวจจับค่าผิดปกติ (Anomaly Detection) ในข้อมูลนักบาสเกตบอล NBA โดยมีการนำเข้าข้อมูล ทำความสะอาด วิเคราะห์ และประเมินผล เพื่อหานักกีฬาที่มีคุณสมบัติแตกต่างจากกลุ่มตัวอย่างส่วนใหญ่

Dataset

ใช้ข้อมูลนักบาส NBA ซึ่งประกอบด้วยคุณสมบัติต่าง ๆ เช่น ขนาดร่างกาย สถิติการเล่น และคุณลักษณะอื่น ๆ ที่เกี่ยวข้อง

Installation

ติดตั้งไลบรารีที่จำเป็น:

pip install numpy pandas matplotlib scikit-learn

Usage

1. เปิดไฟล์ Jupyter Notebook:

   jupyter notebook Isolationforest.ipynb

2. รันเซลล์ตามลำดับเพื่อทำการ:

   • Import dataset
   • ตรวจสอบข้อมูล
   • ทำการแปลงและทำความสะอาดข้อมูล
   • สร้างโมเดล Isolation Forest
   • วิเคราะห์ผลลัพธ์

Project Structure

• Isolationforest.ipynb — โน้ตบุ๊กหลักที่มีโค้ดและคำอธิบาย

• ส่วนต่าง ๆ ในโน้ตบุ๊ก:

  • Import dataset
  • Data preprocessing
  • Model training (Isolation Forest)
  • Visualization & Result analysis

Results & Explanation

• โมเดล Isolation Forest สามารถระบุผู้เล่นที่มีคุณสมบัติแตกต่างจากผู้เล่นส่วนใหญ่ได้อย่างมีประสิทธิภาพ

• จากการวัดด้วย ค่า RMSE พบว่า Isolation Forest ให้ผลลัพธ์ที่ดีกว่าวิธีอื่นในการตรวจจับ Outliers สำหรับข้อมูลชุดนี้

• ผลลัพธ์แสดงออกมาในรูปกราฟและตาราง เช่น:

  • กราฟกระจาย (scatter plot) ที่แสดงผู้เล่นปกติและผู้เล่นที่ถูกตรวจจับว่าเป็น Outlier
  • ตารางที่บอกว่าผู้เล่นคนใดถูกจัดให้อยู่ในกลุ่ม Outlier

• ข้อสรุป: Isolation Forest เป็นเทคนิคที่เหมาะสมที่สุดกับ Dataset นักบาส NBA ชุดนี้