Category: Thai AI

Evaluation Method and Confusion Matrix (วิธีการประเมินและเมตริกซ์ความสับสน) เป็นเครื่องมือที่ใช้ในการวัดและประเมินประสิทธิภาพของโมเดลทำนายในงานการเรียนรู้และการจำแนกข้อมูล โดยเฉพาะในกรณีที่มีปัญหาการจำแนก (Classification Problems) ซึ่งต้องการทำนายประเภทหรือคลาสของข้อมูล มีวิธีการต่าง ๆ ในการประเมินความแม่นยำและประสิทธิภาพของโมเดลดังนี้: Confusion Matrix (เมตริกซ์ความสับสน) เป็นตารางที่ใช้ในการแสดงผลลัพธ์ของการทำนายโดยแบ่งข้อมูลที่ทำนายได้เป็น 4 ส่วน ดังนี้: รูปภ่าพมาจาก https://towardsdatascience.com/understanding-confusion-matrix-a9ad42dcfd62 Confusion Matrix ใช้ในการวัดประสิทธิภาพของโมเดลทำนายและการจำแนกข้อมูลในแต่ละคลาส โดยเราสามารถคำนวณหาค่าความแม่นยำ (Accuracy), ความแม่นยำในการพยากรณ์ค่าบวก (Precision), ความแม่นยำในการคืบหน้าค่าบวก (Recall),…

Training Data (ชุดข้อมูลฝึก) คือชุดข้อมูลที่ใช้ในขั้นตอนการเรียนรู้ (Training) โมเดลในการสร้างโมเดลทำนาย (Predictive Models) หรือโมเดลจำแนก (Classification Models) โดยให้โมเดลทำนายผลลัพธ์ที่ถูกต้องมากที่สุดจากข้อมูลในชุดข้อมูลนี้ เช่น ข้อมูลที่มีคำตอบหรือป้ายกำกับที่ถูกต้อง การเรียนรู้จากชุดข้อมูลฝึกนี้จะช่วยปรับปรุงพารามิเตอร์ (Parameters) ในโมเดลให้กับการทำนายให้เหมาะสมกับข้อมูลต้นฉบับ Testing Data (ชุดข้อมูลทดสอบ) คือชุดข้อมูลที่ใช้ในขั้นตอนการทดสอบ (Testing) โมเดลทำนายหรือโมเดลจำแนกที่ได้รับการเรียนรู้จากชุดข้อมูลฝึก โดยให้โมเดลทำนายผลลัพธ์จากข้อมูลในชุดข้อมูลนี้ เพื่อวัดประสิทธิภาพและความแม่นยำของโมเดลในการทำนายข้อมูลที่ไม่เคยเห็นมาก่อน (Unseen Data) หรือข้อมูลที่ไม่ได้ใช้ในขั้นตอนการเรียนรู้ การทดสอบนี้ช่วยให้เราประเมินว่าโมเดลทำนายในระหว่างการทำนายและจำแนกความถูกต้องได้ดีเพียงใด Evaluation Method (วิธีการประเมิน)…

Ensemble Learning (การเรียนรู้แบบกลุ่ม) เป็นเทคนิคหนึ่งในการสร้างและพัฒนาโมเดลทำนาย (Predictive Models) และโมเดลจำแนก (Classification Models) โดยการรวมกันของหลายโมเดลย่อย (Sub-Models) หรือตัวจำแนกหรือตัวทำนายหลาย ๆ ตัวเข้าด้วยกันเพื่อเพิ่มความแม่นยำและประสิทธิภาพในการทำนายหรือจำแนกข้อมูล การใช้งานแบบกลุ่มนี้มีเป้าหมายเพื่อลด Bias และ Variance ในการทำนาย และลดโอกาสในการเกิด Overfitting หรือ Underfitting ของโมเดล ซึ่งช่วยให้สามารถประยุกต์ใช้กับชุดข้อมูลที่มีความซับซ้อนหรือขนาดใหญ่ได้ดีขึ้น นอกจากนี้ยังช่วยให้สามารถค้นหาและเรียนรู้ความสัมพันธ์ที่ซับซ้อนของข้อมูลได้มากขึ้น ด้วยเหตุนี้ การใช้งาน Ensemble Learning เป็นที่นิยมในการแก้ไขปัญหาที่มีความซับซ้อนสูง หรือความลำบากในการสร้างโมเดลทำนายที่แม่นยำและน่าเชื่อถือ…

Bias-Variance Tradeoff (การแลกเปลี่ยนความสมดุลระหว่าง Bias และ Variance) เป็นหลักการที่เกี่ยวข้องกับการสร้างและประเมินความสามารถของโมเดลในการทำนายและจำแนกข้อมูลในการเรียนรู้แบบต่าง ๆ ในเชิงสถิติและการเรียนรู้ของเครื่อง (Machine Learning) Bias คือความคาดหวังหรือความเป็นไปได้ที่โมเดลจะทำนายหรือจำแนกค่าตัวแปรตามข้อมูลต้นฉบับ ความคาดหวังที่มากของ Bias หมายถึงโมเดลมีความเรียนรู้ที่ไม่เพียงพอ นั่นคือ โมเดลไม่สามารถเรียนรู้ความสัมพันธ์ในข้อมูลเข้ากันได้ดีพอ และมีความเบียดบังในการทำนายหรือจำแนกข้อมูลตามข้อมูลต้นฉบับ Variance คือความคาดหวังของความคลาดเคลื่อนของโมเดลในการทำนายหรือจำแนกค่าตัวแปรตามข้อมูลที่ไม่เห็นมาก่อน ความคาดหวังที่มากของ Variance หมายถึงโมเดลมีความยืดหยุ่นในการเรียนรู้มากเกินไป นั่นคือ โมเดลมีความแม่นยำในการทำนายหรือจำแนกข้อมูลตามข้อมูลต้นฉบับ แต่มีความเบียดบังในการทำนายหรือจำแนกข้อมูลที่ไม่เห็นมาก่อน การแลกเปลี่ยนความสมดุลระหว่าง Bias และ Variance คือหากเราปรับความซับซ้อนของโมเดลให้มากขึ้น…

(Supervised Learning Algorithms) หมายถึง วิธีการเรียนรู้ที่เป็นกระบวนการที่คอมพิวเตอร์หรือระบบคอมพิวเตอร์ทำการเรียนรู้จากข้อมูลที่มีการควบคุม (คำตอบหรือป้ายชื่อ) ที่ถูกต้องอยู่แล้ว สามารถนำไปใช้ทำนายหรือจำแนกข้อมูลในอนาคตได้ การเรียนรู้แบบมีการควบคุมนี้ เป็นกระบวนการที่คล้ายกับการสอนของครูโดยให้ตัวอย่างของการตอบปัญหามาแล้วคอมพิวเตอร์จะเรียนรู้จากตัวอย่างนั้นเพื่อใช้ในการจำแนกหรือทำนายข้อมูลใหม่ ในกระบวนการเรียนรู้แบบมีการควบคุมนี้ ข้อมูลที่ใช้ในการเรียนรู้จะประกอบด้วยคุณลักษณะ (features) ของข้อมูลที่ต้องการจำแนกหรือทำนายและคำตอบ (labels) หรือป้ายชื่อที่บ่งบอกถึงคำตอบที่ถูกต้องสำหรับข้อมูลนั้น ตัวอย่างของการเรียนรู้แบบมีการควบคุมคือการจำแนกภาพที่มีคำอธิบายเป็น “แมว” หรือ “หมา” และระบบจะเรียนรู้จากคุณลักษณะของภาพเหล่านั้นเพื่อจำแนกว่าภาพใหม่ๆ ที่ไม่เคยเห็นมาก่อนเป็นภาพของแมวหรือหมา Supervised Learning มีความสำคัญในการแก้ไขปัญหาที่เรามีข้อมูลตัวอย่างที่มีคำตอบหรือป้ายชื่อที่ถูกต้อง ตัวอย่างของงานที่ใช้ Supervised Learning ได้แก่ การจำแนกอีเมลเป็นอีเมลที่เป็นสแปมหรือไม่สแปม, การทำนายราคาบ้านจากข้อมูลสถานะของบ้าน เป็นต้น…