<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[ASquareLab - Medium]]></title>
        <description><![CDATA[CPE Advance Analytic Lab - Medium]]></description>
        <link>https://medium.com/asquarelab?source=rss----c5b4f37795de---4</link>
        <image>
            <url>https://cdn-images-1.medium.com/proxy/1*TGH72Nnw24QL3iV9IOm4VA.png</url>
            <title>ASquareLab - Medium</title>
            <link>https://medium.com/asquarelab?source=rss----c5b4f37795de---4</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 10:40:35 GMT</lastBuildDate>
        <atom:link href="https://medium.com/feed/asquarelab" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[ให้ AI ทำงานควบคู่กับ Privacy ด้วยวิธี Federated Learning]]></title>
            <link>https://medium.com/asquarelab/%E0%B9%83%E0%B8%AB%E0%B9%89-ai-%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B8%84%E0%B8%A7%E0%B8%9A%E0%B8%84%E0%B8%B9%E0%B9%88%E0%B8%81%E0%B8%B1%E0%B8%9A-privacy-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2%E0%B8%A7%E0%B8%B4%E0%B8%98%E0%B8%B5-federated-learning-9ef763783e32?source=rss----c5b4f37795de---4</link>
            <guid isPermaLink="false">https://medium.com/p/9ef763783e32</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[ai]]></category>
            <category><![CDATA[google]]></category>
            <category><![CDATA[gboard]]></category>
            <category><![CDATA[federated-learning]]></category>
            <dc:creator><![CDATA[Intouch Kunakorntum]]></dc:creator>
            <pubDate>Mon, 01 Jul 2019 05:34:38 GMT</pubDate>
            <atom:updated>2019-07-15T16:54:12.715Z</atom:updated>
            <content:encoded><![CDATA[<p>ในปัจจุบัน เราจะปฏิเสธไม่ได้เลยว่าปัญญาประดิษฐ์ หรือ Artificial Intelligence นั้นเริ่มเข้ามาเป็นส่วนหนึ่งในชีวิตประจำวันของเรา ไม่ว่าจะเป็นการเดินทางไปทำงาน เราจะใช้ Google Maps มาคำนวนหาระยะทางที่ไปถึงจุดหมายเร็วที่สุด เมื่อเราถึงที่หมายและก่อนจะเริ่มทำงาน เราก็จะเปิดมือถือ เล่น Social Media ไม่ว่าจะเป็น Facebook, Instagram หรือ Twitter โดยที่แต่ละแอปพลิเคชั่นจะมีวิธีการนำเสนอบทความหรือข่าวที่เราสนใจเป็นพิเศษในรูปแบบของ Personalized Recommendation เพื่อให้เราพึงพอใจ เมื่อเราเริ่มทำงานและติดปัญหา เราก็จะทำการค้นหาปัญหานั้นบน Google เพื่อให้ได้ผลลัพธ์กลับมา ซึ่ง Google นั้นจะหาหัวข้อที่ตรงกับ Keyword ของเรามากที่สุด จนกระทั่งเราเลิกงานแล้วกลับบ้านไปพักผ่อน ซื้อของบนโลกออนไลน์ เช่น Alibaba, Lazada หรือShopee โดยเมื่อเราซื้อสินค้าแล้ว ทางเว็บไซต์ก็จะมี Recommendation สินค้าอื่นที่เรามีโอกาสจะสนใจและซื้อเพิ่มเติม ทั้งหมดนี้สื่อให้เห็นว่า AI นั้นเริ่มเข้ามามีผลต่อชีวิตของคนเราเพิ่มขึ้นเรื่อยๆ</p><p>อย่างไรก็ตาม การที่จะทำให้ AI นั้นมีประสิทธิภาพสูงขึ้นเรื่อยๆ “ข้อมูล” เป็นสิ่งสำคัญ ในปัจจุบันวิธีการเทรนโมเดลจะเป็นการนำข้อมูลในแต่ละที่มารวมใน Data Center หรือ Cloud(เรียกว่าวิธีการ Centralized) ซึ่งเป็นการยากที่จะนำข้อมูลทุกอย่างของผู้ใช้งานส่งเข้ามาที่ส่วนกลางและมีความเสี่ยงที่จะผิดกฏหมายในเรื่องของละเมิดสิทธิความเป็นส่วนตัว (Privacy) ดังนั้น Google จึงออกแบบระบบใหม่ให้มือถือแต่ละเครื่องนั้นสามารถเทรนโมเดลได้เองโดยปราศจากการส่งข้อมูลส่วนตัวเข้ามาที่ส่วนกลาง แต่จะส่งเพียงแค่ค่าเฉลี่ยของผล weight จากการอัพเดทโมเดลเข้ามาเพื่อพัฒนาระบบองค์รวม โดยเรียกวิธีนี้ว่า Federated Learning</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/0*JhbTDGTH3O4JBCa0.png" /></figure><p>Federated Learning นี้จะมีขั้นตอนหลักๆ อยู่ 3 ขั้นตอน <br>1. สำหรับมือถือแต่ละเครื่องนั้น จะมีโมเดลการทำนายติดตั้งอยู่ เมื่อผู้ใช้มีการใช้งานมือถือเรื่อยๆ โมเดลจะพัฒนาตามการใช้งานเพื่อตอบโจทย์แต่ละผู้ใช้งานแบบ Personalized<br>2. ต่อมามือถือแต่ละเครื่องจะทำการส่งข้อมูลเพื่ออัพเดทโมเดลมาไว้บน Cloud ที่พัฒนาตัวโมเดลนี้ผ่านการ encrypt communication ซึ่งวิธีนี้จะเป็นการเฉลี่ยค่าจากผู้ใช้งานหลายๆคน เพื่อให้มีความมั่นใจว่าไม่มีการเก็บข้อมูลแบบ Individual บน Cloud<br>3. ทำการอัพเดทโมเดลรวมมีคุณภาพมากยิ่งขึ้น และทำซ้ำตามวงจรเพื่อพัฒนาประสิทธิภาพ</p><p>หนึ่งใน AI ที่ทาง Google กำลังพัฒนาอยู่ เป็นการ Recommend คำต่อไปผ่าน Gboard บน Android ซึ่งเป็นแป้นพิมพ์ที่เชื่อมกับแอพลิเคชั่นอื่นๆได้ เช่นเมื่อเราพิมพ์คำว่า “Hello” ระบบก็จะทำการนำเสนอว่าคำต่อไปจะพิมพ์ว่าอะไรเป็นต้น เพื่อให้ผู้ใช้งานได้รับประโยชน์สูงที่สุด โดยเฉพาะอย่างยิ่งในปัจจุบัน Deep Learning ได้เข้ามายกระดับวงการ AI จึงทำให้การพัฒนาโมเดลนั้นยิ่งมีประสิทธิภาพมากยิ่งขึ้น ซึ่งทาง Gboard ได้นำ Tensowflow เป็นส่วนหนึ่งของการพัฒนาโมเดล ซึ่งการพัฒนานี้จำเป็นจะต้องมากับ User Experience ของผู้ใช้งานด้วย โดย Gboard นั้นจะตั้งเวลาให้พัฒนาโมเดลเฉพาะช่วงที่มือถือไม่มีการใช้งาน, กำลังชาจแบตอยู่ และเชื่อมต่ออินเทอร์เน็ต เพื่อหลีกเลื่ยงผลกระทบต่อการใช้งานโทรศัพท์</p><p>สุดท้ายนี้ เทคโนโลยี Federated Learning จะเป็นอีกหนึ่งเครื่องมือที่ช่วยในการพัฒนาโมเดลและทดสอบโดยปราศจากการเข้าถึงข้อมูลของผู้ใช้งานโดยตรง (Raw data) ซึ่งนักพัฒนาทั้งหลายสามารถนำหลักการนี้เข้ามาประยุกต์ใช้กับ Context อื่นๆได ้เมื่อผู้ที่มีข้อมูลไม่ต้องการจะแชร์ข้อมูล เช่น การทำ Predictive Maintenance ของแต่ละเครื่อง ATM เป็นต้น</p><p>Reference : <a href="https://ai.googleblog.com/2017/04/federated-learning-collaborative.html">https://ai.googleblog.com/2017/04/federated-learning-collaborative.html</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=9ef763783e32" width="1" height="1" alt=""><hr><p><a href="https://medium.com/asquarelab/%E0%B9%83%E0%B8%AB%E0%B9%89-ai-%E0%B8%97%E0%B8%B3%E0%B8%87%E0%B8%B2%E0%B8%99%E0%B8%84%E0%B8%A7%E0%B8%9A%E0%B8%84%E0%B8%B9%E0%B9%88%E0%B8%81%E0%B8%B1%E0%B8%9A-privacy-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2%E0%B8%A7%E0%B8%B4%E0%B8%98%E0%B8%B5-federated-learning-9ef763783e32">ให้ AI ทำงานควบคู่กับ Privacy ด้วยวิธี Federated Learning</a> was originally published in <a href="https://medium.com/asquarelab">ASquareLab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[สร้างโมเดลความสัมพันธ์ของข้อมูลทางธุรกิจด้วยเทคนิค linear regression]]></title>
            <link>https://medium.com/asquarelab/%E0%B8%AA%E0%B8%A3%E0%B9%89%E0%B8%B2%E0%B8%87%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%AA%E0%B8%B1%E0%B8%A1%E0%B8%9E%E0%B8%B1%E0%B8%99%E0%B8%98%E0%B9%8C%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B8%82%E0%B9%89%E0%B8%AD%E0%B8%A1%E0%B8%B9%E0%B8%A5%E0%B8%97%E0%B8%B2%E0%B8%87%E0%B8%98%E0%B8%B8%E0%B8%A3%E0%B8%81%E0%B8%B4%E0%B8%88%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2%E0%B9%80%E0%B8%97%E0%B8%84%E0%B8%99%E0%B8%B4%E0%B8%84-linear-regression-425a1eb92b54?source=rss----c5b4f37795de---4</link>
            <guid isPermaLink="false">https://medium.com/p/425a1eb92b54</guid>
            <category><![CDATA[linear-regression]]></category>
            <category><![CDATA[statistics]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[data-science]]></category>
            <dc:creator><![CDATA[Thanat Lapthawan]]></dc:creator>
            <pubDate>Sat, 25 May 2019 07:36:40 GMT</pubDate>
            <atom:updated>2019-05-25T14:15:25.231Z</atom:updated>
            <content:encoded><![CDATA[<h4>สิ่งที่ต้องรู้เกี่ยวกับ linear regression ฉบับเข้าใจง่าย</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2HNW0DtbKgmZGlReV6zDVQ.jpeg" /></figure><p>การวิเคราะห์ข้อมูลทางธุรกิจ เช่นการทำ regression analysis ไม่ว่าจะเป็นในเรื่องของการหาตัวแปร (factor) ที่มีผลต่อยอดขาย ตัวแปรที่ทำให้ความต้องการของสินค้าเรามากขึ้น หรือส่วนประกอบอะไรที่ทำให้ผลิตภัณฑ์นั้น ๆ เป็นผลิตภัณฑ์ที่มีคุณภาพดี รวมไปถึงการสร้างโมเดลหาความสัมพันธ์ระหว่างยอดขายกับช่องทางการวางขายนั้น อีกทั้งการทำ predictive model (หรือที่นิยมเรียกกันว่า machine learning) อื่น ๆ อย่าง logistic regression รวมไปถึงหลักการของ deep learning อย่าง neural network ซึ่งทั้งหมดนี้สามารถจำเป็นต้องใช้พื้นฐานของ linear regression ทั้งสิ้น</p><h3>Linear Regression คืออะไร</h3><p>Linear regression เป็นโมเดลความสัมพันธ์ระหว่างตัวแปรกับสิ่งที่เราสนใจเช่นปัจจัยต่าง ๆ ทางธุรกิจกับยอดขายในไตรมาสนั้น ๆ หรืออาจจะเป็นส่วนประกอบต่าง ๆ ในสินค้ากับเกรดหรือคุณภาพของสินค้าเป็นต้น โดย linear regression นั้นเป็นโมเดลที่ได้รับความนิยมมากที่สุด เนื่องจากเป็นโมเดลที่เข้าใจง่าย อีกทั้งยังสามารถนำไปใช้งานจริงได้อย่างรวดเร็วอีกด้วย แต่ว่ามีข้อควรระวังอยู่มาก หากไม่เข้าใจถึงหลักการของ linear regression จริง ๆ แล้ว อาจจะนำไปสู่ความผิดพลาดได้ง่าย ๆ เลย</p><h3>เข้าใจ Simple linear regression</h3><p>Simple linear regression คือรูปแบบความสัมพันธ์แบบ 1 ตัวแปร เช่นความสัมพันธ์ระหว่างเงินทุนด้านการตลาดกับยอดขาย โดยมีรูปแบบความสัมพันธ์แบบตรงไปตรงมาเช่นเพิ่มเงินทุนด้านการตลาดไป 100 หน่วยจะเพิ่มยอดขายไปอีกประมาณ 9 หน่วยและถ้าเพิ่มเงินทุนด้านการตลาดไป 200 หน่วยจะเพิ่มยอดจายไปอีกประมาณ 14 หน่วย (เงินทุน 1 หน่วยเท่ากับ หนึ่งพันเหรียญ และ 1 หน่วยของยอดขายเท่ากับ หนึ่งพันชิ้น) เป็นต้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/209/1*Fa9YJISLMg9oX05o2Qoyog.png" /><figcaption>Figure 1: ตัวอย่างข้อมูลของ Total marketing budget และ sales</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/602/1*Xe0rvokfLUYYigSGHDWKaQ.png" /><figcaption>Figure 2: รูปตัวอย่าง simple linear regression ระหว่าง Sales กับ Total budget</figcaption></figure><p>ในเชิงคณิตศาสตร์แล้ว ความสัมพันธ์สามารถเขียนอยู่ในรูปแบบสมการดังนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/473/1*hBe1ixQ5zeIvdEFUJHuv7A.png" /><figcaption>Equation 1: Linear regression model, Y is approximate as modeled of X</figcaption></figure><p>สมการด้านบนสามารถตีความได้ว่า ผลของ Y จะสามารถประมาณได้จากค่าคงที่ (β0) รวมกับค่าของตัวแปรที่เราต้องการนำมาวิเคราะห์และความสำคัญของตัวแปรนั้น ๆ ( β1)</p><ul><li><strong>ผลของ Y</strong> คือค่าที่เราสนใจเป็นหลัก เช่นยอดขาย คุณภาพของสินค้า หรือความต้องการของตลาด โดยตัวแปร Y มีชื่อเรียกที่หลากหลาย ได้แก่ <strong>dependent variable, response, หรือ outcome </strong>(ในบทความนี้จะเรียกว่า response)</li><li><strong>ตัวแปร X</strong> คือตัวแปรที่เราต้องการนำมาอธิบายผลของ response Y เช่นตัวแปรที่สามารถอธิบายยอดขายได้ อาจจะเป็นต้นทุนด้านการวิจัย ต้นทุนทางการตลาด ความต้องการของตลาดโดยรวม เป็นต้น โดยตัวแปร X เองก็มีชื่อเรียกหลากหลายได้แก่ <strong>independent variable, predictor, หรือ explanatory </strong>(ในบทความนี้จะเรียกว่า predictor)</li><li><strong>ค่าคงที่ β0 เรียกว่า coefficient</strong> หมายถึงค่าที่ response Y จะเป็นเมื่อตัวแปร X มีค่าเป็น 0 หรือไม่มีตัวแปร X นั่นเอง โดยความหมายทางคณิตศาสตร์คือค่าจุดตัดแกน Y (y-intercept)</li><li><strong>น้ำหนัก β1 เป็น parameter ของค่า X</strong> หมายถึงค่าที่บงบอกถึงน้ำหนักของ X ที่ส่งผลต่อ Y ซึ่งยิ่ง β1 มาก แสดงว่าค่า X สามารถอธิบายผลของ response Y ได้มาก โดย β1 นั้นมีความหมายทางคณิตศาสตร์คือ slope หรือความชันของสมการเส้นตรง</li></ul><p><strong>ตัวอย่าง</strong>ระหว่างยอดขายกับเงินทุนด้านการตลาดนั้น เราสามารถเขียนโมเดลใหม่เป็น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/627/1*nuPFm7oOqIBql1yj5iNihA.png" /><figcaption>Equation 2: ตัวอย่าง model ระหว่างยอดขายกับเงินทุนด้านการตลาด</figcaption></figure><blockquote>โมเดลนี้จะบอกเราได้ว่า หากเพิ่มเงินทุนด้านการตลาดไป 1 หน่วยแล้ว ยอดขายเราจะเพิ่มขึ้น 0.05 หน่วย</blockquote><p>การสร้างความสัมพันธ์แบบเส้นตรงนั้น ในความเป็นจริงแล้วทำได้ยาก และใช้หลักการในการประมาณค่าเอา ทำให้เวลาเราเจอสมการเส้นตรงนั้น เราจะเห็นในรูปแบบ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/440/1*3Zn_23gFGFgV_SoW5bw4tw.png" /><figcaption>Equation 3: Estimation of linear regression model</figcaption></figure><p>โดย ̂ เรียกว่า hat หมายถึงค่าที่เกิดจากการประมาณการณ์ (estimated) ขึ้นมาจากข้อมูลที่เรานำมาใช้ในการสร้างโมเดลนั่นเอง โดยค่าที่เกิดจากการประมาณนั้นได้แก่ coefficient, parameter, และ response</p><h3>การสร้าง Linear regression</h3><p>มีหลายวิธีในการคำนวณหาสมการ linear regression โดยวิธีที่ใช้ทั่วไปนั้นคือวิธีการที่เรียกว่า least squares method</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/602/1*J1Im-fFBd1fs0_rBZC26xQ.png" /><figcaption>Figure 3: Scatter plot ระหว่าง Sales กับ Total budget</figcaption></figure><p>จะเห็นว่าข้อมูลในชีวิตจริงนั้นมีความกระจัดกระจาย (variance) อยู่มาก ทำให้เวลาสร้างเส้น regression นั้น สามารถสร้างออกมาได้หลายเส้น คำถามคือ เส้นไหนคือเส้นที่ดีที่สุด</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/602/1*fR4Y56_KiboxJybI-r9rbg.png" /><figcaption>Figure 4: เส้น regression ในหลาย ๆ รูปแบบ</figcaption></figure><p>หากสังเกตจากรูปด้านบนแล้ว จะเห็นว่าแม้ว่าทั้งสามเส้นจะบ่งบอกถึงลักษณะของข้อมูลได้เหมือนกัน แต่ว่าความ fit ระหว่างเส้น regression กับข้อมูลนั้น ไม่เท่ากัน โดยเส้นที่ดีที่สุด คือเส้นที่สามารถใช้ในการคาดการณ์ยอดขายได้ดีในทุกช่วงของ total budget ทั้งนี้ เราจะทำการวัดจากค่า residual ซึ่งก็คือค่าความคลาดเคลื่อน (error) ระหว่าง response y ของชุดข้อมูล (จุด) กับ response y_hat ที่ประมาณมาจากเส้น regression ตามสมการด้านล่าง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/409/1*aGZzJVOlqRxxGxHErKfjzw.png" /><figcaption>Equation 4: การคำนวณ residual ของข้อมูลตัวที่ i</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/602/1*b4t5MiuaA2vGg6fwf39lrQ.png" /><figcaption>Figure 5: แสดงถึง residual ของเส้น regression ในทุก ๆ จุดโดยเส้นสีดำที่ลากจากจุดใด ๆ มาถึงเส้น regression สีน้ำเงินเรียกว่า residual นั้นเอง</figcaption></figure><p>หลักการของ least squares คือการค้นหาค่า coefficient และ parameter ไปเรื่อย ๆ ด้วยวิธีการ calculus จนกว่าจะได้ค่าที่ทำให้ค่า error น้อยที่สุด</p><p><strong>คำถามต่อมาคือ </strong>เราจะคำนวณค่าของ error ทุก ๆ จุดได้อย่างไร</p><p>วิธีการคำนวณ error ของทุก ๆ ที่นิยมใช้กันคือ residual sum of squares (RSS)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/601/1*ib_wQ-scTwTWqVZ7rp8NCg.png" /><figcaption>Equation 5: การคำนวณ residual sum of squares</figcaption></figure><p>โดย n คือจำนวนของข้อมูลทั้งหมดและ e_i คือ error ของข้อมูลที่ i นั้นเอง</p><p><strong>สาเหตุที่ใช้เป็นกำลังสอง</strong> เนื่องจากว่าเราต้องการค่า error ที่เป็นบวก สังเกตว่าจุดที่อยู่เหนือสมการเส้นตรงนั้น จะมีค่า error ติดลบ ส่วนที่ไม่ใช้ absolute นั้นเนื่องจากการใช้ absolute นั้น ทำให้สมการไม่สามารถทำ derivative (ดิฟ) ได้เนื่องจาก derivative ของ absolute นั้น ได้ผลลัพธ์เป็นตัวมันเอง อีกทั้งการใช้กำลังสอง จะทำให้ผลจากตัวที่มีค่า error มาก ๆ สำคัญมากกว่าตัวที่ error น้อย ๆ อีกด้วย ซึ่งทำให้สมการเส้นตรง fit ง่ายขึ้น</p><p>ทั้งนี้ ไม่ว่าชุดข้อมูลไหน ๆ ก็ตาม จะมีเส้น regression อย่างน้อย 1 เส้นที่ให้ค่า RSS ต่ำที่สุดเสมอ ซึ่งเส้น regression ที่เกิดจาก least squares method จะเรียกว่า<strong>เส้น least squares</strong></p><h3>วัดความ fit ของเส้น regression</h3><p>Metric สำหรับวัดผลความ fit ของเส้น regression นั้น ส่วนใหญ่จะใชัทั้งหมด 2 metrics ได้แก่</p><ol><li>Residual Standard Error</li><li>R-squared statistic</li></ol><p>ก่อนจะพูดถึง residual standard error ต้องเกริ่นก่อนว่าเส้น least squares<strong> </strong>ที่เราสร้างจากข้อมูลนั้น ถือว่าเป็น estimated regression line เพราะว่าใช้ข้อมูลที่เรียกว่าเป็น sampling data จาก population (ทบทวนเรื่องของสถิติก่อน ว่าการนำข้อมูลที่เป็น population มาใช้นั้นเป็นไปไม่ได้ เนื่องจากว่าเราไม่สามารถเก็บข้อมูลในทุก ๆ รูปแบบได้ เราจึงเรียกข้อมูลที่เราเก็บมาได้นั้นว่า sampling data นั่นเอง) ส่วนเส้น population regression คือเส้นที่สร้างจากข้อมูลที่เป็น population (บางที่จะเรียกว่า เส้น true regression) โดยสมการเป็นดังนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/607/1*E3nVVC7vIre6Cr3nx2ehyg.png" /><figcaption>Equation 6: true regression line</figcaption></figure><p>สิ่งที่เพิ่มเข้ามาคือค่า error (ε) ที่มีการกระจายตัวแบบ normal distribution และมีค่าเฉลี่ยอยู่ที่ 0 (mean-zero random error) ทั้งนี้ จาก กราฟที่ 5 (figure 5) จะเห็นได้ว่าในกรณีที่เส้น regression นั้น fit มากที่สุด คือการเส้น regression อยู่ตรงช่วงกลาง ๆ ที่มีการกระจายตัวของข้อมูลอยู่รอบ ๆ ทั้งบนเส้น และใต้เส้น ทำให้ค่า error มีทั้งค่าที่เป็นบวก (จุดอยู่ใต้เส้น) และ error ติดลบ (จุดของข้อมูลอยู่เหนือเส้น) ซึ่งการที่เส้น regression เป็น best fit ได้นั้น แสดงว่า error ต้องรวมกันแล้วมีค่าเฉลี่ยเป็น 0 นั่นเอง</p><p><strong>คำถามต่อมาคือ</strong> เราจะรู้ได้อย่างไรว่าเส้น least squares มีความแตกต่างจากเส้น population regression มากน้อยแค่ไหน</p><p>เนื่องจากเราไม่สามารถหา population regression ได้ เราเลยต้องใช้หลักการทางสถิติเพื่อการคำนวณหา standard error ของค่าที่เราสนใจด้วยการประมาณค่าเอา เช่นถ้าเราสนใจว่า coefficient หรือ parameter ของเส้น least squares ใกล้เคียงกับเส้น population regression หรือไม่ เราก็สามารถหา standard error ของ β0_hat ซึ่งเขียนได้เป็น SE(β0_hat) โดยสูตรคำนวณเป็นดังสมการด้านล่าง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/573/1*dojkOkNJPcAWH4q4BsU1HA.png" /><figcaption>Equation 7: การคำนวณ standard deviation ของ β0_hat</figcaption></figure><p>และ standard error ของ parameter β1_hat ซึ่งเขียนได้เป็น SE(β1_hat) โดยสูตรคำนวณเป็นดังสมการด้านล่าง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/501/1*uQ7tFk5SVZLCQJBLoJlzkQ.png" /><figcaption>Equation 8: การคำนวณ standard deviation ของ β1_hat</figcaption></figure><p><em>ในส่วนของสมการนั้นจะยังไม่อธิบายในบทความนี้</em> แต่จะให้เห็นว่าจากสมการนั้น ยิ่งมีจำนวนข้อมูลมากเท่าไหร่ SE ยิ่งมีค่าน้อยลงมากเท่านั้น เนื่องจากการที่มีข้อมูลจำนวนมาก ทำให้เส้น least square เข้าใกล้ population regression มากขึ้น</p><p>นอกจากนั้น จากในสมการ เราต้องคำนวณค่าความแปรปรวน (variance) ของ population error ซึ่งก็คือ standard deviation ของ error (σ) ยกกำลังสอง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/327/1*MN3w1NN1W0bJdMEHghqnqA.png" /><figcaption>Equation 9: การคำนวณ variance ของค่า error</figcaption></figure><p>ซึ่งในความเป็นจริงแล้ว<strong> เราไม่สามารถหาค่า variance ที่ว่านี้ได้เนื่องจากเราจำเป็นต้องใช้ข้อมูลที่เป็น population ในการคำนวณ</strong> แต่เราสามารถประมาณค่าได้จาก sampling data โดยค่า standard deviation ของ error ที่เกิดจากการประมาณค่า จะเรียกว่า residual standard error (RSE) โดยคำนวณได้จาก</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/339/1*pNo2prDbMpNXRGQcWrOVKA.png" /><figcaption>Equation 10: การคำนวณ residual standard error</figcaption></figure><p>ค่าของ residual standard error (RSE) บอกถึงความเบี่ยงเบนของค่า y_hat ออกจากค่าจริง (เส้น population regression)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/545/1*RzS_AgON828pVzoWlhdDDA.png" /><figcaption>Figure 6: แสดงผลลัพธ์จากการ fit regression ระหว่าง sales และ total budget</figcaption></figure><p><strong>ตัวอย่าง</strong> จากการ fit เส้น regression ของ sales กับ total budget แล้วจะเห็นว่า RSE มีค่าเท่ากับ 2.6 ซึ่งหมายความว่า sale จริง ๆ นั้นเฉลี่ยแล้ว มีค่าเบี่ยงเบนออกจากความเป็นจริงไปทั้งหมด 2,600 unit (1 หน่วยในชุดข้อมูลเท่ากับ 1000 unit)</p><p>ในอีกกรณีหนึ่ง ถึงแม้ว่าเส้น least square นั้น เราจะใช้ค่า β0 และ β1 จากเส้น population regression (ซึ่งในความเป็นจริงนั้นเป็นไปไม่ได้) เราก็จะมีค่าเบี่ยงเบนเฉลี่ยออกจากความเป็นจริงไปทั้งหมดประมาณ 2,600 unit อยู่ดี ซึ่งในชุดข้อมูลตัวอย่างนั้น มีจำนวน sales เฉลี่ยแล้วเท่ากับ 14.0225 หรือประมาณ 14,023 unit หมายความว่า ถ้าเราคิดเป็น percentage error แล้ว เราจะมี error เท่ากับ 2,600/14,023 = 18.5% ซึ่งเราจะยอมรับ error ตัวนี้ได้มากน้อยแค่ไหน ขึ้นอยู่กับบริบททางธุรกิจของเรานั่นเอง</p><p>นอกจากนี้แล้ว RSE ยังบ่งบอกถึงความ lack of fit หมายความว่าถ้าค่า RSE มากแสดงว่าเส้น least square ที่เราสร้างขึ้นมานั้น ไม่ fit กับข้อมูลที่เราใช้ ในทางกลับกัน ถ้า RSE น้อย แสดงว่า estimate y ของเรานั้นมีค่าประมาณ y ของข้อมูลจริงเรา</p><p><strong>R-squared statistic </strong>บอกถึงความ lack of fit เหมือนกัน โดยในขณะที่ RSE บอกถึงความ lack of fit ในหน่วยของ y เช่น y ในตัวอย่างมีหน่วยเป็น 1,000 unit หมายความว่า เราไม่รู้ว่าเส้น least squared ของเรานั้นดีหรือไม่ดีอย่างไร ถ้าเราไม่ได้สร้างหลาย ๆ เส้น least squared เพื่อเปรียบเทียบ ทั้งนี้ R-squared เป็นค่าทางสถิติที่คำนวณในรูปแบบของสัดส่วน ซึ่งมีค่าอยู่ระหว่าง 0 (ไม่ fit) ถึง 1 (fit มาก) การคำนวณ R-squared เป็นไปตามด้านล่าง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/516/1*4QtSg5f7OAe26ehjkNwRvw.png" /><figcaption>Equation 11: การคำนวณ R-squared</figcaption></figure><p>TSS คือค่า total sum of squares โดยเป็นผลรวมของค่า error กับค่าเฉลี่ยของ y โดยมีความหมายว่า ถ้าเราไม่มีเส้น regression แล้วค่าความแปรปรวนที่เกิดขึ้นจะเป็นเท่าไหร่ โดยคิดจากเส้นเฉลี่ยของค่า Y</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/602/1*EHsPNho9IR-4YEJ-jpL1xA.png" /><figcaption>Figure 7: แสดงถึง error ของเส้นค่าเฉลี่ยของ response ในทุก ๆ จุดโดยเส้นสีดำที่ลากจากจุดใด ๆ มาถึงเส้นค่าเฉลี่ยสีเทา</figcaption></figure><p>RSS หรือค่า residual sun of squares บอกถึงว่าเมื่อมีเส้น regression แล้ว ค่าความแปรปรวนเป็นเท่าไหร่ (figure 5) หรือเมื่อใช้เส้น regression แล้วยังเหลือความแปรปรวนอยู่เท่าไหร่ (unexplained variation) ดังนั้น R-squared บอกถึงสัดส่วนของความแปรปรวนของ response Y ที่ predictor X สามารถลดลงไปได้โดย 0 หมายถึงว่า predictor X ที่เรานำมาสร้างเส้น regression ไม่สามารถลดความแปรปรวนของ response Y ได้เลยเมื่อเทียบกับการใช้เส้นเฉลี่ย ซึ่งอาจจะหมายถึงว่า linear model ของเราผิด และ R-squared เท่ากับ 1 หมายถึง predictor X สามารถลดความแปรปรวนของค่า response Y ได้ดีกว่าการใช้เส้นเฉลี่ยมาก ๆ</p><p>จากตัวอย่าง (figure 6) เราจะเห็นว่ามีค่า multiple R-squared กับ adjust R-squared โดยสองค่านี้ต่างกันตอนที่เราสร้าง multiple linear regression หรือเส้น regression ที่ใช้ตัวแปร (X) มากกว่า 1 ตัวขึ้นไป โดย multiple R-squared จะเป็นการคำนวณตามที่อธิบายด้านบน ซึ่งปัญหาของ R-squared นั้นคือ ถ้าเราเพิ่มตัวแปรเข้าไป R-squared ก็จะเพิ่มขึ้นไปด้วย โดยที่การเพิ่มขึ้นนั้น อาจจะเป็นเพราะมันทำให้ linear model ของเราดีขึ้นจริง ๆ หรืออาจจะเป็นเพราะมันเพิ่มตัวแปรเข้าไปก็ได้ ซึ่งการเพิ่มขึ้นแบบนี้ ทำให้เราไม่รู้ว่า model ของเราดีขึ้นจริง ๆ หรือไม่</p><p>Adjust R-squared จะช่วยลด noise ในเรื่องของการเพิ่มตัวแปรเข้าไป ทำให้เมื่อเราเทียบค่า Adjust R-squared กับ multiple R-squared แล้ว เราจะรู้ได้ว่าตัวแปรใหม่ที่เราเพิ่มเข้าไปนั้น ทำให้ linear model ดีขึ้นจริง ๆ หรือไม่</p><p>โดยทั่วไปแล้ว เมื่อเราสร้าง multiple linear regression นั้น เราจะดูแค่ adjust R-squared เป็นหลักก็พอ เมื่อดูจากตัวอย่าง (figure 6) จะเห็นว่า Adjust R-squared มีค่าเป็น 0.75 หมายความว่า linear model จากตัวแปร total budget สามารถนำมาใช้ในการอธิบาย (ลดความแปรปรวน) ค่า Sales ได้ดีขึ้นเป็น 75% จากที่ไม่ใช้ linear model</p><p>ทั้งนี้ค่า R-squared ที่ดีนั้น ขึ้นอยู่กับบริบทของข้อมูลทางธุรกิจ โดยบางที R-squared แค่ 10% อาจจะถือว่าสูง ในขณะที่ 75% ในบางธุรกิจ อาจจะถือว่าต่ำก็เป็นได้ โดยเราต้องเป็นคนที่วิเคราะห์ตามบริบทของธุรกิจต่อไป</p><h3>Multiple Linear Regression</h3><p>ตามที่ได้เกริ่นไปว่า multiple linear regression คือเส้น regression ที่ใช้ตัวแปร (X) มากกว่า 1 ขึ้นไปโดยมีสมการตามด้านล่าง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/626/1*dm8yPcNRssZRoqUcTx7L3w.png" /><figcaption>Equation 12: multiple linear regression</figcaption></figure><p>จากชุดข้อมูลตัวอย่างของเรา เราจะมีข้อมูลของงบประมาณทางการตลาดในช่องทางต่าง ๆ ได้แก่ TV, Radio, และ Newspaper</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/315/1*18OeNR-p_eGAggl7Zy0Qcg.png" /><figcaption>Figure 8: ข้อมูลระหว่างยอดขาย (sales) กับงบในช่องทางทางการตลาดต่าง ๆ</figcaption></figure><p>เมื่อเรานำตัวแปรทั้งสามมาใช้ในการอธิบายจำนวน Sale แล้ว เราจะได้สมการเป็น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/599/1*zkWjNSHLswjHiS7aaHDskA.png" /><figcaption>Equation 13: ตัวอย่าง multiple linear regression</figcaption></figure><p>หมายความว่าจำนวน sale ขึ้นอยู่กับ TV, Radio, และ Newspaper นั้นเอง</p><p>หลักการต่าง ๆ ของ simple linear regression กับ multiple linear regression นั้นยังคงเหมือนกัน เพียงแค่การคำนวณมีความซับซ้อนขึ้นเนื่องจากมีตัวแปรที่มากขึ้นตาม</p><p>ทั้งนี้ จากความซับซ้อนที่เพิ่มขึ้น ทำให้เรามีสิ่งที่ต้องตรวจสอบมากขึ้นเช่นกัน</p><ol><li>ตัวแปรที่เราเลือกมานั้น มีผลต่อการอธิบาย response Y หรือไม่</li><li>เลือกตัวแปรที่สามารถอธิบาย response Y ได้อย่างไร</li><li>multiple linear model ของเรานั้น fit กับข้อมูลมากน้อยแค่ไหน</li></ol><h4><strong>ตัวแปรที่เราเลือกมานั้น มีผลต่อการอธิบาย response หรือไม่</strong></h4><p>การทดสอบว่าตัวแปรไหนบ้างที่มีผลต่อการอธิบาย response นั้น เราจะใช้การทดสอบทางสถิติอย่าง hypothesis test ด้วย F-statistic</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/339/1*5HbP9kirUcfMvlUWNippYQ.png" /><figcaption>Equation 14: การคำนวณ F-statistic</figcaption></figure><p>โดย TSS คือ sum of squares, RSS คือ residual sum of squares, p คือจำนวนตัวแปรที่ใช้, และ n คือจำนวนข้อมูลทั้งหมด</p><p>ในการทำ hypothesis testing เราจะตั้งสมมุติฐาน H0 (null hypothesis) ว่าไม่มีตัวแปรไหนเลยที่มีความสัมพันธ์กับ response ส่วน H1 (alternative hypothesis) ว่าตัวแปรอย่างน้อย 1 ตัวมีผลต่อ response โดยถ้า F-statistic มีค่าเข้าใกล้ 1 แสดงว่า H0 ถูกต้อง (accept H0) และไม่มีตัวแปรไหนเลยที่มีความสัมพันธ์กับ response ในขณะที่ ถ้าหาก F-statistic มีค่าห่างจาก 1 มาก แสดงว่า H1 ถูก (reject H0) และมีตัวแปรอย่างน้อย 1 ตัวที่มีผลต่อ response</p><p>ถามว่า F-statistic ต้องห่างจาก 1 มากแค่ไหน ถึงจะ reject H0 ทั้งนี้ เราสามารถหา p-value ได้ โดยถ้า p-value &lt; 0.05 (ยอมรับ error ที่ 5%) หรือ p-value &lt; 0.01 (ยอมรับ error ที่ 1% ซึ่งส่วนใหญ่จะเป็นสำหรับกรณีที่เป็น model สำหรับด้านการแพทย์) ก็แสดงว่า reject H0</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/528/1*oNKrWf_XmdenxWPesa6Y5Q.png" /><figcaption>Figure 9: ผลลัพธ์ของ multiple regression ระหว่าง sales กับ TV, radio, และ newspaper</figcaption></figure><p>จากรูปจะเห็นว่าในกรอบสี่ฟ้านั้น เราสามารถคำนวณ t-statistic ได้โดยจะได้ค่า p-value ของแต่ละตัว ซึ่งจะบอกเราได้ว่า predictor ตัวนั้น ๆ สามารถอธิบายค่า response Y ได้หรือไม่ โดยคำนวณได้จาก</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/212/1*T5VRsjO2DCGTYEPCbLS9hQ.png" /><figcaption>Equation 15: การคำนวณ t-statistic ของ parameter ตัวที่ j</figcaption></figure><p>หลักการของ hypothesis test จะคล้ายกันคือสมมุติฐาน H0 หมายถึง ตัวแปรที่ j ไม่มีผลต่อ response Y ในขณะที่ H1 หมายถึงตัวแปร j มีผลต่อ response Y</p><p><strong>คำถามคือ </strong>ทำไมเรารู้ t-statistic แล้ว เรายังต้องใช้ F-statistic อีก ทั้งนี้เราจะสังเกตว่า t-statistic คำนวณแค่ตัวมันเอง ทำให้ใน model ที่มีตัวแปรมาก ๆ นั้นมีโอกาสที่จะเกิดข้อผิดพลาดขึ้น</p><p><strong>ตัวอย่าง </strong>สมมุติว่ามี predictor ทั้งหมด 100 ตัว และ H0 เป็นจริง (accept H0 โดยมี p-value ของ F-statistic &gt;0.05) หมายความว่าเรายอมรับโอกาสที่ error จะอยู่ที่ 5% ถ้าหากเราใช้ t-statistic ในการทดสอบและเราสังเกตจาก t-statistic ของแต่ละตัวอย่างเดียวแล้ว ต้องมี predictors อย่างน้อย 5 ตัวที่มี p-value ของ t-statistic &lt; 0.05 แน่ ๆ ที่ทำให้ H0 ไม่เป็นจริง ซึ่งขัดกับผลจาก F-statistic ทั้งนี้ผลจาก F-statistic จะน่าเชื่อถือกว่าเนื่องจาก F-statistic จะนำจำนวนของ predictor เข้าไปคำนวณด้วย ทำให้ไม่เกิดข้อผิดพลาดนี้ขึ้น</p><h4>เลือกตัวแปรที่สามารถอธิบาย response Y ได้อย่างไร</h4><p>ตัวแปรที่เราเลือกมาอธิบายค่า response นั้น มีโอกาสที่ตัวแปรนั้น ๆ จะสามารถอธิบายค่า Y ได้ และจากการคำนวณ F-statistic นั้นทำให้รู้ว่ามีอย่างน้อย 1 ตัวที่อธิบายค่า Y ได้ ซึ่งโดยปกติแล้ว ถ้าเราเหลือตัวแปรมาทั้งหมด 10 ตัวโดย F-statistic ห่างจาก 1 มาก (p-value &lt; 0.05) มีโอกาสมากที่ response จะถูกอธิบายได้โดย subset ของตัวแปรทั้งหมด 10 ตัว</p><p>ทั้งนี้ หลักในการเลือกตัวแปรเรียกว่า variable selection โดยการไล่หาชุดของตัวแปรที่ทำให้ linear model นั้นเป็น model ที่ดีที่สุด โดยมีเกณฑ์ในการเลือกเป็น</p><ul><li>Mallow’s Cp</li><li>Akaike information criterion (AIC)</li><li>Bayesian information criterion (BIC)</li><li>Adjusted R-squared</li></ul><p>และอื่น ๆ อีกมากมาย ซึ่งสามารถเลือกใช้ได้ตามที่ statistic tool มีให้</p><p>วิธีในการเลือก linear model นั้นมีหลายแบบเช่นกัน โดยประเภทหลัก ๆ ได้แก่</p><ul><li><strong>Forward selection </strong>— เป็นการค่อย ๆ เพิ่มตัวแปรทีละตัวจนได้ชุดที่ทำให้ได้ค่าตามเกณฑ์ที่ดีที่สุด</li><li><strong>Backward selection</strong> — จะเหมือนกับ forward selection แต่จะต่างกันตรงที่ backward selection นั้นจะเป็นการค่อย ๆ ลดตัวแปรทีละตัวจนได้ชุดที่ทำให้ได้ค่าตามเกณฑ์ที่ดีที่สุด</li><li><strong>Meta-heuristic algorithm</strong> — มีการนำ optimization algorithm อย่าง genetic algorithm มาช่วยในการคำนวณหา model</li></ul><p><strong>Multiple linear model ของเรานั้น fit กับข้อมูลมากน้อยแค่ไหน</strong></p><p>การตรวจสอบความ fit ของข้อมูลก็เป็นไปตามที่กล่าวไว้ในส่วนของ simple linear regression แต่เราจะมาดู RSE เพิ่มเติมเล็กน้อย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/369/1*25l2J_2POYI7fWKVUKDt0Q.png" /><figcaption>Equation 16: การคำนวณ residual standard error ของ multiple linear regression</figcaption></figure><p>จะเห็นว่าสมการมีความต่างออกไปเล็กน้อย ตรงที่ว่าจากเดิมเป็น (n-2) กลายเป็น (n-p-2) โดย p เป็นจำนวนของตัวแปร ทำให้จริง ๆ แล้วใน simple linear regression มีค่าเป็น (n-1–1) = n-2 นั่นเอง</p><h3>Correlation Does Not Imply Causation</h3><p>ขอย้ำก่อนว่าสมการที่เราสร้างขึ้นมา เป็นโมเดลที่แสดงถึงความสัมพันธ์เท่านั้น หมายความว่า predictor นั้น ส่งผลให้ response มีค่าที่เปลี่ยนแปลงไป <strong><em>ไม่ได้หมายความว่า predictor ตัวนั้น ๆ จะทำให้เกิด response นั้น</em> </strong>เช่น total marketing budget ไม่ได้ทำให้เกิด sale ขึ้นมา ถ้าเราอยากวิเคราะห์สาเหตุการเกิดขึ้นของเหตุการณ์ เราต้องทำ causal analysis ต่อไป</p><blockquote>… Correlation Does Not Imply Causation …</blockquote><h3>การทำ Linear model ด้วย Python และ R</h3><p>การทำ linear model ใน python นั้นผู้เขียนแนะนำ <a href="https://www.statsmodels.org/stable/index.html">StatsModels</a> เนื่องจากให้ข้อมูลที่ละเอียดและเข้าใจง่ายกว่า <a href="https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LinearRegression.html">scikit-learn</a> ส่วนใน R นั้นมี package ที่มากับตัวโปรแกรมอยู่แล้วอย่าง <a href="https://www.rdocumentation.org/packages/stats/versions/3.6.0">stat-lm</a> ใช้คู่กับ summay() เพื่อแสดงผลต่าง ๆ ออกมา ซึ่งถือว่าละเอียดมากทีเดียว</p><h3>ส่งท้าย</h3><p>บทความนี้กล่าวถึงแค่ linear model แบบพื้นฐานเท่านั้น ในส่วนการนำไปใช้งานจริงนั้น ยังมีเรื่องที่ต้องระวังอีกบางอย่างเช่น การใช้ quantitative predictor, collinearity, outlier, และอื่น ๆ รวมไปถึงการใช้ Lasso และ Ridge regression ซึ่งจะพูดถึงในบทความถัด ๆ ไปครับ</p><p>ขอขอบคุณที่ติดตามอ่าน หากมีข้อเสนอแนะหรือมีความรู้มาแลกเปลี่ยนสามารถ comment คุยกันได้เลยครับ และถ้าหากบทความนี้มีประโยชน์ ฝากตรบมือเป็นกำลังใจให้ผู้เขียนต่อไปด้วยครับ :)</p><h3>Reference</h3><ol><li><a href="http://www-bcf.usc.edu/~gareth/ISL/">http://www-bcf.usc.edu/~gareth/ISL/</a></li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=425a1eb92b54" width="1" height="1" alt=""><hr><p><a href="https://medium.com/asquarelab/%E0%B8%AA%E0%B8%A3%E0%B9%89%E0%B8%B2%E0%B8%87%E0%B9%82%E0%B8%A1%E0%B9%80%E0%B8%94%E0%B8%A5%E0%B8%84%E0%B8%A7%E0%B8%B2%E0%B8%A1%E0%B8%AA%E0%B8%B1%E0%B8%A1%E0%B8%9E%E0%B8%B1%E0%B8%99%E0%B8%98%E0%B9%8C%E0%B8%82%E0%B8%AD%E0%B8%87%E0%B8%82%E0%B9%89%E0%B8%AD%E0%B8%A1%E0%B8%B9%E0%B8%A5%E0%B8%97%E0%B8%B2%E0%B8%87%E0%B8%98%E0%B8%B8%E0%B8%A3%E0%B8%81%E0%B8%B4%E0%B8%88%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2%E0%B9%80%E0%B8%97%E0%B8%84%E0%B8%99%E0%B8%B4%E0%B8%84-linear-regression-425a1eb92b54">สร้างโมเดลความสัมพันธ์ของข้อมูลทางธุรกิจด้วยเทคนิค linear regression</a> was originally published in <a href="https://medium.com/asquarelab">ASquareLab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Visualization เขต, ตำแหน่งสถานที่ โดยใช้ Tableau]]></title>
            <link>https://medium.com/asquarelab/visualization-%E0%B9%80%E0%B8%82%E0%B8%95-%E0%B8%95%E0%B8%B3%E0%B9%81%E0%B8%AB%E0%B8%99%E0%B9%88%E0%B8%87%E0%B8%AA%E0%B8%96%E0%B8%B2%E0%B8%99%E0%B8%97%E0%B8%B5%E0%B9%88-%E0%B9%82%E0%B8%94%E0%B8%A2%E0%B9%83%E0%B8%8A%E0%B9%89-tableau-f1cc94ebcc5d?source=rss----c5b4f37795de---4</link>
            <guid isPermaLink="false">https://medium.com/p/f1cc94ebcc5d</guid>
            <category><![CDATA[พลอทแผนที่]]></category>
            <category><![CDATA[visualization]]></category>
            <category><![CDATA[tableau]]></category>
            <dc:creator><![CDATA[Intouch Kunakorntum]]></dc:creator>
            <pubDate>Fri, 17 May 2019 06:59:38 GMT</pubDate>
            <atom:updated>2019-05-14T09:48:07.547Z</atom:updated>
            <content:encoded><![CDATA[<h3>Visualization เขต และ ตำแหน่งสถานที่ ด้วย Tableau</h3><p>หลังจากใน<a href="https://medium.com/asquarelab/visualization-%E0%B9%81%E0%B8%9C%E0%B8%99%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B9%80%E0%B8%97%E0%B8%A8%E0%B9%84%E0%B8%97%E0%B8%A2%E0%B9%82%E0%B8%94%E0%B8%A2-tableau-8c2da73ed8fd">บทความที่แล้ว</a>เราได้ดูเรื่องของการนำเสนอแผนที่จังหวัดในประเทศไทยกันไป ในบทความนี้เราจะมาลงรายละเอียดในส่วนของเขต/อำเภอกันว่ามีวิธีการพลอทอย่างไร</p><p>การสร้างพื้นที่สำหรับจังหวัดนั้น Tableau จะสามารถรองรับชื่อจังหวัด (ที่เป็นภาษาอังกฤษ) ได้อย่างไม่มีปัญหา แต่ถ้าเราต้องการพลอทพื้นที่ที่เราสร้างเอง หรือพื้นที่ที่มีความละเอียดมากกว่านี้ ( เช่นต้องการพื้นที่เป็นเขต หรือ แขวง ) เราจำเป็นต้องมี Spatial File ก่อนสำหรับการพลอทพื้นที่เหล่านี้</p><blockquote>แล้ว Spatial File คืออะไรละ ?</blockquote><p>เพื่อความเข้าใจอย่างง่ายๆ เรามองว่า Spatial File คือข้อมูลที่บอกเกี่ยวกับพื้นที่ที่ตั้งว่าสถานที่นั้นอยู่ที่ใด และสามารถแสดงออกมาในรูปแบบของ จุด, เส้น หรือพื้นที่ (Polygon) ได้ ตัวอย่างเช่น ถ้าเราต้องการพลอทสถานที่ในกรุงเทพฯ เราจำเป็นต้องมี Spatial File ของเขตในกรุงเทพเพื่อที่จะทราบว่าแต่ละเขตนั้นมีพื้นที่ตรงไหนบ้าง ซึ่ง <a href="http://www.bangkokgis.com/modules.php?m=download_shapefile">BangkokGIS</a> มีไฟล์พื้นที่ให้เราได้ดาวน์โหลดมาลองใช้งาน รวมถึงในเว็บไซต์นี้ได้บอกตำแหน่งโรงพยาบาลในกรุงเทพฯด้วย ดังนั้นโจทย์ในบทความนี้คือการนำเสนอการกระจายตัวของโรงพยาบาลในกรุงเทพฯว่าเป็นอย่างไร ( ผู้อ่านสามารถนำไปประยุกต์กับโจทย์อื่นๆที่ต้องการได้ )โดยเบื้องต้น เราสามารถพลอทเป็นพื้นที่เขตในกรุงเทพฯ โดยสีของแต่ละเขตจะขึ้นอยู่กับจำนวนประชากรในพื้นที่นั้น และจะมีจุดบนแผนที่แสดงถึงที่ตั้งของโรงพยาบาล ดังนั้นข้อมูลที่ใช้จะมีดังนี้</p><ol><li>ข้อมูล<a href="http://www.bangkokgis.com/modules.php?m=download_shapefile">พื้นท</a>ี่ของเขตในกรุงเทพมหานคร โดย BangkokGIS นั้น มีตำแหน่งของแต่ละเขต รวมถึงจำนวนประชากรโดยแยกเป็นเพศหญิง (No Female) และเพศชาย (No Male) ดังนั้นจำนวนประชากรจะมาจากการบวกของ 2 Columns นี้ ( อย่างไรก็ตาม ผู้อ่านสามารถดึงข้อมูลประชากรในพื้นที่จาก<a href="http://stat.bora.dopa.go.th/new_stat/webPage/statByYear.php">กรมการปกครอง</a>ได้ซึ่งเป็นข้อมูลของปี 2561 )</li><li>ข้อมูล<a href="http://www.bangkokgis.com/modules.php?m=download_shapefile">ตำแหน่งที่ตั้งโรงพยาบาลรัฐบาลและเอกชน</a>ในพื้นที่เขตกรุงเทพมหานคร โดยจาก BangkokGIS จะมีข้อมูลแสดงว่าแต่ละโรงพยาบาลนั้นมีจำนวนเตียงเท่าไหร่ซึ่งสามารถมานำเสนอบน Visualization ได้ ( ฺBangkokGIS ยังมีข้อมูลสถานพยาบาลอื่นๆอีกด้วย แต่สำหรับบทความนี้จะเลือกมาเฉพาะโรงพยาบาลรัฐบาลและเอกชน ดังภาพ)</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/976/1*JH6uoCOU8wTsW7Y4vtGWCA.png" /></figure><p>โดยในส่วนของข้อมูลที่นำมาใช้นั้น ทางผู้เขียนได้รวบรวมและจัด Format ซึ่งผู้อ่านสามารถดาวน์โหลดได้ตาม <a href="https://drive.google.com/open?id=1-cNZ5UQ6sMIMJ16KUsQ3GLQc27-pZMAr">ลิงค์</a> นี้ครับ ( ดาวน์โหลดทุกไฟล์ในโฟลเดอร์เนื่องจากต้องใช้ในการดึงข้อมูล )</p><p>ขั้นตอนแรกสำหรับการทำงาน เราจะเริ่มจากการอ่านไฟล์ ซึ่งชนิดของไฟล์จะแตกต่างกับบทความแรกโดยคราวนี้เราจะเลือก Spatial File ซึ่งเป็นสกุลไฟล์ที่เราจะอ่านกัน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/301/1*rSWaEzdHfNooXVHKJbWjlw.png" /></figure><p>หลังจากเลือกไฟล์ที่เราต้องการแล้ว เราจำเป็นจะต้อง Add อีกไฟล์ดังที่อธิบายข้างต้น โดยคลิกปุ่ม Add และเลือกไฟล์ที่ต้องการจะเพิ่ม</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/691/1*2alIx-yJ4IhgTO5BlCSzFg.png" /><figcaption>คลิก Add แล้วเลือกอีกไฟล์ ( ดังภาพ ได้เลือก District ไปในตอนแรก ในขั้นตอนนี้จึงเลือกไฟล์ Hospital )</figcaption></figure><p>หลังจากนั้นเมื่อเราต้องการเชื่อมข้อมูลสองส่วนเข้าด้วยกัน เราสามารถคลิกตรงกลางระหว่าง 2 ฐานข้อมูลและเลือกชนิดของการเชื่อมข้อมูลได้ โดยในตัวอย่างนี้เราจะเลือก Full Outer เพื่อนำเสนอข้อมูลพื้นที่ทั้งหมด และเลือกการเชื่อมแบบ Intersects</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/700/1*HYAXCXlgJn95f_4YjDAs9A.png" /><figcaption>ทำการเชื่อมข้อมูลไว้ด้วยกัน</figcaption></figure><p>ในส่วนแรกนั้นเราจะทำการพลอทพื้นที่เขตในกรุงเทพก่อน ซึ่งสีพื้นที่ในแต่ละเขตนั้นจะเป็นจำนวนประชากรในพื้นที่ โดยเราจะใช้เป็น Column ที่ชื่อว่า No Male และ No Female มาบวกกัน โดยขั้นตอนคือ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/978/1*Fy8Ngafgfwzongv-7mP2lQ.png" /><figcaption>ดับเบิ้ลคลิกที่ Geometry แล้วลาก Dname E มาไว้ที่ Detail</figcaption></figure><ol><li>ดับเบิ้ลคลิกที่ Geometry ของ District เพื่อทำการพลอทพื้นที่ในเขตกรุงเทพ</li><li>ทำการเลือก Dname E ลงมาไว้ในส่วนของ Detail เพื่อทำการแบ่งแยกแต่ละพื้นที่ในการลงสีจำนวนประชากร</li><li>เลือกColumn No Male ลากไปไว้ในส่วนของ Color และทำการแก้ไขเพิ่มเติมโดยการดับเบิ้ลคลิกที่ Tab Color ที่เพิ่มเข้าไปและทำการพิมพ์ “ + Sum([No Female])” เพื่อทำการรวมจำนวนผู้หญิงเข้าไปด้วย ( หรือจะทำในรูปแบบของ Calculated Field ก็ได้เช่นกัน )</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/987/1*nL7YD8YsunPIa_DpXFH6Ag.png" /><figcaption>เปลี่ยนสีให้แต่ละเขตขึ้นอยู่กับจำนวนประชากร</figcaption></figure><p>ต่อมา เราจะทำการพลอทตำแหน่งของโรงพยาบาลไว้บนแผนที่เขตกรุงเทพมหานคร ซึ่งเราจำเป็นจะต้องใช้วิธีเดียวกันกับบทความที่แล้ว โดยการลาก Latitude ไว้ที่ Rows และทำการคลิกขวาแล้วเลือก Dual Axis เพื่อให้แผนภาพมี 2 Layers ในการนำเสนอ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/992/1*XGvLb7GFw-4giFARAojMVg.png" /></figure><p>โดยในช่อง Marks นั้น จากที่เราได้ใส่ Latitude ไปในขั้นตอนที่ผ่านมา ให้เราเปลี่ยนชนิดของการนำเสนอ จาก Automatic ที่เป็น Map ให้เป็น Shape ( หรือ Circle ก็ได้ตามที่ต้องการ ) และลบ Pills ด้านล่างออกไป</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/614/1*7ga_uSOs7be6ZiwTNJSt4g.png" /><figcaption>เปลี่ยนจาก Map ให้เป็น Shape เนื่องจากต้องการนำเสนอในส่วนของตำแหน่งที่ตั้งเป็นจุด</figcaption></figure><p>หลังจากนี้ เราต้องการพลอทจุดของตำแหน่งโรงพยาบาล โดยแต่ละแห่งนั้น ความเข้มของสีและขนาดจะแสดงถึงจำนวนของเตียงที่มี รูปร่างของจุดจะแสดงถึงชนิดของโรงพยาบาล ( รัฐบาล/เอกชน) โดยเราเริ่มจากการลาก Geometry ของ Hospital และ Name ไปไว้ที่ Detail และทำการนำ Bed No (จำนวนเตียง) ไปไว้ที่ Color และ Size รวมถึงในส่วนของ Type ให้ลากไปไว้ที่ Shape</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/276/1*DEETKcdzISOF3K2YrIbb4A.png" /><figcaption>ลาก Column ที่ต้องการนำเสนอไปไว้ที่ Marks</figcaption></figure><p>โดยเมื่อเราลาก Column ที่เราต้องการไปวางเสร็จเรียบร้อยแล้ว เราสามารถตั้งค่า เช่น สี, ขนาด, รูปร่าง ( Shape ) ได้เลยจากการคลิกที่ช่องใน Marks และเลือกค่าตามที่ต้องการ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*jRHnZstFoETTrCZgCkxUqQ.png" /></figure><p>ถึงขั้นตอนนี้เราได้การพลอทตำแหน่งของโรงพยาบาลในกรุงเทพมหานครเสร็จเรียบร้อยแล้ว ( อย่างไรก็ตาม เราจำเป็นจะต้องมีข้อมูลให้ครบก่อนที่จะแปลผลข้อมูลได้ ในบทความนี้ทางผู้เขียนต้องการแบ่งปันวิธีการพลอทข้อมูลลงบนแผนที่ โดยใช้ข้อมูลมาแค่บางส่วน ดังนั้นอย่าวิตกถ้าหากบางเขตนั้นไม่เห็นมีโรงพยาบาล ) ซึ่งเราสามารถนำไปต่อยอดในการสร้าง Dashboard ได้</p><p>สำหรับการพลอทตำแหน่งหรือสถานที่นั้น ถ้าผู้อ่านมีข้อมูลของจังหวัดอื่นๆ ก็สามารถนำมาพลอทได้เช่นกัน แต่จำเป็นจะต้องมี spatial file ในการนำเสนอข้อมูล โดยในบทความหน้าเราจะมาตั้งโจทย์เพิ่มเติมจากบทความนี้กันว่า ในรัศมีบ้านของเรานั้น มีโรงพยาบาลทั้งหมดกี่แห่ง ทั้งนี้ สามารถประยุกต์ใช้ได้กับข้อมูลของโรงเรียนหรือห้างสรรพสินค้าได้</p><p>Reference : <a href="http://www.bangkokgis.com/modules.php?m=download_shapefile">http://www.bangkokgis.com/modules.php?m=download_shapefile</a></p><p>Reference : <a href="https://www.tableau.com/about/blog/2018/8/perform-advanced-spatial-analysis-spatial-join-now-available-tableau-92166">https://www.tableau.com/about/blog/2018/8/perform-advanced-spatial-analysis-spatial-join-now-available-tableau-92166</a></p><p>ตอนที่1 : <a href="https://medium.com/asquarelab/visualization-%E0%B9%81%E0%B8%9C%E0%B8%99%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B9%80%E0%B8%97%E0%B8%A8%E0%B9%84%E0%B8%97%E0%B8%A2%E0%B9%82%E0%B8%94%E0%B8%A2-tableau-8c2da73ed8fd">Visualize your data on Thailand Map with Tableau</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=f1cc94ebcc5d" width="1" height="1" alt=""><hr><p><a href="https://medium.com/asquarelab/visualization-%E0%B9%80%E0%B8%82%E0%B8%95-%E0%B8%95%E0%B8%B3%E0%B9%81%E0%B8%AB%E0%B8%99%E0%B9%88%E0%B8%87%E0%B8%AA%E0%B8%96%E0%B8%B2%E0%B8%99%E0%B8%97%E0%B8%B5%E0%B9%88-%E0%B9%82%E0%B8%94%E0%B8%A2%E0%B9%83%E0%B8%8A%E0%B9%89-tableau-f1cc94ebcc5d">Visualization เขต, ตำแหน่งสถานที่ โดยใช้ Tableau</a> was originally published in <a href="https://medium.com/asquarelab">ASquareLab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Visualization แผนที่ประเทศไทยโดย Tableau]]></title>
            <link>https://medium.com/asquarelab/visualization-%E0%B9%81%E0%B8%9C%E0%B8%99%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B9%80%E0%B8%97%E0%B8%A8%E0%B9%84%E0%B8%97%E0%B8%A2%E0%B9%82%E0%B8%94%E0%B8%A2-tableau-8c2da73ed8fd?source=rss----c5b4f37795de---4</link>
            <guid isPermaLink="false">https://medium.com/p/8c2da73ed8fd</guid>
            <category><![CDATA[tableau]]></category>
            <category><![CDATA[พลอทแผนที่ประเทศไทย]]></category>
            <category><![CDATA[visualization]]></category>
            <dc:creator><![CDATA[Intouch Kunakorntum]]></dc:creator>
            <pubDate>Fri, 12 Apr 2019 03:50:08 GMT</pubDate>
            <atom:updated>2021-05-24T15:33:04.101Z</atom:updated>
            <content:encoded><![CDATA[<p>Visualize your data on Thailand Map with Tableau</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*5MMPPDqajwGXe82nJO566Q.png" /></figure><blockquote>“อยากแสดงข้อมูลเชิงพื้นที่่ในประเทศไทย ทำอย่างไรดี?”</blockquote><blockquote>“มีข้อมูลแต่ละจังหวัด แล้วจะเอาไปแปะบนแผนที่อย่างไร?”</blockquote><blockquote>“Tableau ไม่เข้าใจชื่อจังหวัดภาษาไทย ทำยังไงดี?”</blockquote><p>หรือคำถามอื่นๆที่เกี่ยวกับการนำเสนอข้อมูลบนแผนที่โดยเฉพาะแผนที่ประเทศไทย ที่เรามักจะมีคำถามบ่อยๆ บทความนี้เราจะแสดงขั้นตอนการแสดงข้อมูลบนแผนที่แบบ Step by Step โดยซอฟแวร์ที่เราจะใช้กันในคราวนี้จะมีชื่อว่า Tableau</p><p>สำหรับผู้ที่เริ่มต้นศึกษานั้นสามารถดาวน์โหลดโปรแกรมผ่าน <a href="https://www.tableau.com/">https://www.tableau.com/</a> โดยเฉพาะนักศึกษานั้น จะสามารถขอ License ใช้งานได้ฟรี 1 ปี (และขอใหม่ได้เรื่อยๆถ้าหากเป็นนักศึกษาอยู่ 😂)</p><blockquote>“เริ่มต้นยังไงดี?”</blockquote><p>ขั้นตอนแรกสุดเลยถ้าเราต้องการจะนำเสนอข้อมูล ก็คือเราต้องมีข้อมูลในการนำเสนอ ซึ่งหากอยากแสดงข้อมูลเชิงพื้นที่ เราจำเป็นจะต้องมีข้อมูลปัจจัยเชิงพื้นที่ เช่น ประเทศ จังหวัด รหัสไปรษณีย์ เป็นต้น 😂 😂 โดยข้อมูลที่เราจะมาลองเล่นกันจะเป็นข้อมูลทางหน่วยงานสาธารณสุขของประเทศไทยที่เปิดเผยได้ โดยจะดึงข้อมูลมาจาก <a href="https://hdcservice.moph.go.th/hdc/reports/report.php?source=pformated/format1.php&amp;cat_id=b91a30012c36ef54910261d9cfc6d7f5&amp;id=8ec43f9ee8a5b450912a021b7b914f7e">HDCservice </a>มาเล่นกัน<a href="https://hdcservice.moph.go.th/hdc/reports/report.php?source=pformated/format1.php&amp;cat_id=b91a30012c36ef54910261d9cfc6d7f5&amp;id=8ec43f9ee8a5b450912a021b7b914f7e"> </a>(สามารถคลิกได้ที่ลิงค์)</p><p>จากตัวอย่างหน้าตาของข้อมูลดังแสดงในตารางด้านล่างนี้ เราจะเห็นได้ว่าข้อมูลเชิงพื้นที่ของเราอยู่ในรูปแบบของจังหวัด</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*fuOwu0nU3HOivbjtv0_4uw.png" /><figcaption>ตัวอย่างข้อมูลจาก HDCservice</figcaption></figure><p>โดยสำหรับคนอื่นที่ยังไม่มีข้อมูลแต่อยากฝึกฝีมือกันจะมีแหล่งข้อมูลตัวอย่างมากมายบนโลกออนไลน์ที่สามารถดาวน์โหลดมาใช้ได้ฟรี เช่น<br> ⚫ <a href="https://www.kaggle.com/datasets">https://www.kaggle.com/datasets</a> <br>หรือข้อมูลจากประเทศไทยจากหน่วยงานต่างๆ เช่น <br>⚫ <a href="https://data.go.th/Datasets.aspx">https://data.go.th/Datasets.aspx</a><br>⚫ <a href="http://statbbi.nso.go.th/">http://statbbi.nso.go.th</a></p><blockquote>“ มีข้อมูลอยู่แล้ว โหลดโปรแกรมแล้ว ทำยังไงต่อ?”</blockquote><p>เมื่อข้อมูลพร้อมแล้ว เราจะมาสร้างแผนที่ง่ายๆกัน โดยเริ่มต้นที่เปิดโปรแกรม Tableau และทำการ import ข้อมูลของเราเข้าโปรแกรม</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bArc83164a02Pv1YaRbaGg.png" /></figure><p>โดยเมื่อเข้ามาโปรแกรมแล้ว ทางด้านซ้ายมือเราสามารถเลือกได้ว่าไฟล์ที่เราจะนำเข้าโปรแกรมเป็นไฟล์ชนิดใด โดยทั่วไปแล้วส่วนใหญ่จะเป็นไฟล์ excel(xlsx), csv, txt ก็จะอยู่ใน 2 เมนูแรก (ถัดไปในบทความ เราจะลงรายละเอียดเกี่ยวกับแผนที่เพิ่มเติม ซึ่งเราจะใช้ในส่วนของ Spatial File แต่ตอนนี้ขอข้ามไปก่อน) เมื่อเลือกเมนูและเลือกไฟล์ที่เราต้องการจะใช้แล้ว โปรแกรมจะแสดงหน้าจอดังนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KixZmiIMeJcKA2NcXtzspw.png" /><figcaption>เมื่อเราเลือกไฟล์ที่เราจะเล่นแล้วจะเข้าหน้านี้</figcaption></figure><p>โดยข้อมูลที่เราจะนำมาเล่นกันนั้นจะนำเสนออยู่ตรงหน้าจอ อย่างไรก็ตามทีสำหรับข้อมูลของใครที่ชื่อจังหวัดเป็นภาษาอังกฤษ จะสามารถข้ามขั้นตอนต่อไปนี้ได้เลย แต่ถ้าข้อมูลของเราเป็นชื่อจังหวัดภาษาไทย จะต้องแปลงเป็นภาษาอังกฤษก่อน เนื่องจาก Map ใน Tableau รู้จักชื่อจังหวัดในประเทศไทยเป็นภาษาอังกฤษเท่านั้น</p><p><strong>การแปลงชื่อจังหวัดจากภาษาไทยเป็นภาษาอังกฤษ</strong></p><p>สำหรับวิธีการแปลงนั้น สำหรับวิธีที่ยากที่สุดและถึกที่สุดคือการมานั่งไล่เปลี่ยนตัวข้อมูลจากชื่อภาษาไทยเป็นภาษาอังกฤษ เช่น กรุงเทพ-&gt; Bangkok ในไฟล์เองเลยซึ่งแน่นอนว่าไม่เวิร์คอย่างมาก เพราะมีโอกาสผิดพลาดสูงและยุ่งยากด้วย ดังนั้นจึงมีวิธีที่สอง ได้แก่การ join กับ<a href="https://drive.google.com/file/d/1HKwyuk2x9S5jagjyVo_5WnSnl8ZwKYZx/view?usp=sharing">ชุดข้อมูลนี้</a> (สามารถดาวน์โหลดไปใช้กันได้) โดยชุดข้อมูลนี้จะเป็นการเก็บในรูปแบบ dictionary เพื่อแปลงจากภาษาไทยเป็นภาษาอังกฤษได้เลย</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/317/1*K7qRwwkhlniKYKpQHMm0Eg.png" /><figcaption>ตัวอย่างข้อมูลการแปลงชื่อจังหวัด</figcaption></figure><p>โดยสิ่งที่เราต้องทำคือการเพิ่มไฟล์นี้และทำการ join ชื่อจังหวัดเข้าด้วยกัน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9lVG4a8p2jpSzonz0rXAvg.png" /></figure><ol><li>ทำการ add ชุดข้อมูลไฟล์ <a href="https://drive.google.com/file/d/1HKwyuk2x9S5jagjyVo_5WnSnl8ZwKYZx/view?usp=sharing">dictionary </a>นี้</li><li>ทำการเชื่อมชุดข้อมูลสองข้อมูลเข้าด้วยกัน โดยเราจะต้องกำหนดว่าให้ Column ไหนเป็นตัวเชื่อม โดยดังตัวอย่าง ไฟล์หลักที่เป็นไฟล์ข้อมูลสาธารณสุขเราจะใช้ชื่อ Column ว่า จังหวัด และไฟล์ที่ใช้ในการแมพจะชื่อ Column ว่า Thai Province โดยสุดท้ายแล้วเมื่อเชื่อม จะพบว่าแต่ละ record นั้นจะมีชื่อจังหวัดเป็นภาษาอังกฤษแล้ว</li></ol><p>หลังจากที่เราเชื่อมข้อมูลเรียบร้อย เรามาเริ่มกันเลยดีกว่าโดยการคลิกที่ sheet1 ด้านล่างเพื่อเริ่มสร้างภาพ</p><p>เมื่อเรากด Sheet 1 แล้ว เราจะได้หน้าเปล่าๆเพื่อให้เราลองเล่นกับข้อมูลได้ โดยในขั้นตอนแรกเราต้องการที่จะพลอทแผนที่ เราสามารถดับเบิ้ลคลิกที่ English Province ได้เลย หลังจากนั้นเราสามารถเลือกได้ว่าต้องการจะดูอะไร ในที่นี้เราจะลองดูจำนวนประชากรในเขตรับผิดชอบกัน เราสามารถลากไปวางไว้ที่ช่อง Color ได้ดังภาพด้านล่าง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QUes0rzw0tsmAQqb52Tb4Q.png" /></figure><p>จากภาพ จะสังเกตเห็นว่าแต่ละจังหวัดจะมีความเข้มของสีที่แตกต่างกันซึ่งจะหมายถึงความต่างกันของจำนวนประชากรในเขตรับผิดชอบ ทั้งนี้เราสามารถที่จะเปลี่ยนสีได้โดยคลิกที่ Color แล้วเลือก Edit Color และเลือกสีตามที่เราชอบได้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ecJGtLfaqgO2LQVCFOMm0Q.png" /></figure><p>โดยแค่นี้เราก็จะสามารถแสดงข้อมูลบนแผนที่ได้เรียบร้อยแล้ว จะเห็นว่าขั้นตอนนั้นง่ายมากสำหรับการสร้างแผนที่ประเทศไทยในโปรแกรม ซึ่งถัดจากนี้จะเป็นบทเสริมในการสร้าง Dashboard</p><p><strong>การแสดงของข้อมูลที่เพิ่มขึ้นบนแผนที่</strong></p><p>จากตัวอย่างด้านบนจะเห็นว่าเราสามารถแสดงข้อมูล 1 ตัวแปร (จำนวนประชากรในเขตรับผิดชอบ) บนแผนที่ได้ แต่ถ้าหากเราอยากแสดงข้อมูลมากกว่า 1 ตัวแปร พร้อมๆ กัน จะทำอย่างไรดี ตัวอย่างเช่น อยากแสดงข้อมูล “จำนวนประชากรในเขตรับผิดชอบ” และ “จำนวนผู้ป่วยนอกทั้งหมดที่มารับบริการ (ครั้ง)” พร้อมกันบนแผนที่ ซึ่งขั้นตอนที่จะแสดงต่อไปนี้จะเป็นการพล็อต “จำนวนผู้ป่วยนอกทั้งหมดที่มารับบริการ (ครั้ง)” เป็นจุด Overlay บนแผนที่เพิ่มเติมจาก Fill Map (ดังแสดงด้านบน) โดยจะมีขนาดต่างกันตามปริมาณ</p><p>เราสามารถทำได้โดยลาก Latitude จากฝั่งซ้ายขึ้นไปไว้ตรงช่อง Rows และคลิกขวาที่ Latitude แล้วเลือก dual axis ดังภาพด้านล่าง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*O7Lm2U4shgfXMKX7pXt7Sw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Qqu_4lrbdaNGAr-ZHTjamw.png" /><figcaption>คลิกขวาที่ Latitude ที่เราลากไปและเลือก Dual Axis</figcaption></figure><p>หลังจากนั้นเราจะได้แผนที่แบบ 2 Layers แล้ว โดยที่<br>- Layer ด้านหลังจะเป็นจำนวนประชากรในพื้นที่แสดงเป็น Fill Map<br>- Layer ด้านหน้าจะเป็นจำนวนผู้ป่วยนอกในพื้นที่แสดงเป็นจุด<br>โดยเราจะทำการเปลี่ยน Marks จาก Automatic (ซึ่งเป็นแผนที่) เป็น Circle</p><p>หลังจากนั้นเราจะทำการลาก “จำนวนผู้ป่วยนอกทั้งหมดที่มารับบริการ (ครั้ง)”ไปไว้ที่ Color และ Size ซึ่งจะหมายถึงว่า จุดในแต่ละจังหวัดนั้นจะขึ้นอยู่กับจำนวนผู้ป่วยนอก ถ้าหากมีจำนวนมากแล้วจะมีสีเข้มและมีขนาดใหญ่ (โดยเราจะสามารถตั้งค่าสีและขนาดได้ตามขั้นตอนเดียวกันกับเปลี่ยนสีพื้นหลัง)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*6-CxEyCGjaknn6SPx0UMeQ.png" /></figure><p>ในบทความนี้แสดงวิธีการพล็อตข้อมูลบนแผนที่ประเทศไทยโดยที่ข้อมูลอยู่ในระดับจังหวัด สำหรับบทความต่อไปเราจะมาดูกันว่าถ้าเรามีข้อมูลแบบ Lat/Lon เช่นที่ตั้งบริษัทแต่ละสาขา เราจะสามารถพล็อตได้อย่างไร? และเราสามารถพลอทแผนที่ในระดับอำเภอหรือตำบลได้หรือไม่? มาติดตามกัน…</p><p>Updated : Part 2 ดูได้ผ่าน<a href="https://medium.com/asquarelab/visualization-%E0%B9%80%E0%B8%82%E0%B8%95-%E0%B8%95%E0%B8%B3%E0%B9%81%E0%B8%AB%E0%B8%99%E0%B9%88%E0%B8%87%E0%B8%AA%E0%B8%96%E0%B8%B2%E0%B8%99%E0%B8%97%E0%B8%B5%E0%B9%88-%E0%B9%82%E0%B8%94%E0%B8%A2%E0%B9%83%E0%B8%8A%E0%B9%89-tableau-f1cc94ebcc5d">ลิงค์</a>นี้ครับ</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=8c2da73ed8fd" width="1" height="1" alt=""><hr><p><a href="https://medium.com/asquarelab/visualization-%E0%B9%81%E0%B8%9C%E0%B8%99%E0%B8%97%E0%B8%B5%E0%B9%88%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B9%80%E0%B8%97%E0%B8%A8%E0%B9%84%E0%B8%97%E0%B8%A2%E0%B9%82%E0%B8%94%E0%B8%A2-tableau-8c2da73ed8fd">Visualization แผนที่ประเทศไทยโดย Tableau</a> was originally published in <a href="https://medium.com/asquarelab">ASquareLab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[นานเท่าไหร่กว่าลูกค้าจะหนีเราไปด้วย Survival Analysis]]></title>
            <link>https://medium.com/asquarelab/%E0%B8%99%E0%B8%B2%E0%B8%99%E0%B9%80%E0%B8%97%E0%B9%88%E0%B8%B2%E0%B9%84%E0%B8%AB%E0%B8%A3%E0%B9%88%E0%B8%81%E0%B8%A7%E0%B9%88%E0%B8%B2%E0%B8%A5%E0%B8%B9%E0%B8%81%E0%B8%84%E0%B9%89%E0%B8%B2%E0%B8%88%E0%B8%B0%E0%B8%AB%E0%B8%99%E0%B8%B5%E0%B9%80%E0%B8%A3%E0%B8%B2%E0%B9%84%E0%B8%9B%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-survival-analysis-2a52a7a0e9e2?source=rss----c5b4f37795de---4</link>
            <guid isPermaLink="false">https://medium.com/p/2a52a7a0e9e2</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[big-data]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[data-analysis]]></category>
            <category><![CDATA[business]]></category>
            <dc:creator><![CDATA[Thanat Lapthawan]]></dc:creator>
            <pubDate>Sun, 06 Jan 2019 03:25:52 GMT</pubDate>
            <atom:updated>2019-05-07T06:49:05.764Z</atom:updated>
            <content:encoded><![CDATA[<h4>วิเคราะห์เวลาที่เหตุการณ์นั้น ๆ จะเกิดขึ้น ได้ไม่ยาก</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0GR7k1Lsvg_tGrVvfhOXnQ.jpeg" /></figure><h3>Survival Analysis คืออะไร</h3><p>ไม่ว่าธุรกิจอะไรก็ตาม ส่วนใหญ่แล้วรายได้หลักมาจากลูกค้า ไม่ว่าจะเป็นธุรกิจที่เน้นการขายสินค้าหรือการให้บริการ ทั้งนี้ การที่เราสามารถรู้ได้ว่า ลูกค้าจะอยู่กับเรานานแค่ไหน เมื่อไหร่ลูกค้าจะกลับมาใช้บริการเราอีก หรือตอนไหนที่ลูกค้าจะยกเลิกบริการกับเรา จะทำให้เราสามารถรับมือกับสถานะการณ์เหล่านี้ได้ เช่นการออก promotion เพื่อเพิ่มแรงจูงใจให้ลูกค้ากลับมาใช้บริการเมื่อเวลาผ่านไปช่วงเวลาหนึ่ง หรือการมีข้อเสนอพิเศษเสนอไปยังลูกค้าที่กำลังจะยกเลิกบริการ ก่อนที่ลูกค้าคนนั้นจะเอ่ยปากบอกเราซึ่งจะสร้าง customer experience ที่ดีให้กับลูกค้าได้มาก โดยหนึ่งในเครื่องมือที่ช่วยในการทำนายเหล่านี้คือ <strong>survival analysis</strong></p><p>Survival Analysis เป็นเครื่องมือทางสถิติในหมวดของ time-to-event analysis ที่ช่วยในการวิเคราะห์และอธิบายว่า <strong>เป็นระยะเวลานานเท่าไหร่ เหตุการณ์นั้น ๆ จึงจะเกิดขึ้น</strong> เช่น ระยะเวลาเท่าไหร่ที่ลูกค้าคนนั้นจะมีโอกาสกลับมาใช้บริการเราอีก หรือระยะเวลาเท่าไหร่ที่ลูกค้าจะมีโอกาสในการยกเลิกบริการกับเรา หรือ<strong>หาปัจจัยที่ส่งผลต่อระยะเวลาที่เหตุการณ์นั้น ๆ จะเกิดขึ้น </strong>เช่นการเพิ่ม/ลดราคาสินค้า จะส่งผลต่อความนิยมของสินค้าในตลาดนานขึ้นหรือไม่</p><p>Survival Analysis นั้นเริ่มต้นมาจากวงการแพทย์และงานวิจัยสาขาชีววิทยา โดยใช้ในการศึกษาการอยู่รอดของเชื้อหรือการมีชีวิตต่อ หรือวิเคราะห์ treatment ที่แตกต่างกันว่ามีส่งผลต่อผู้ป่วยอย่างไรบ้าง เช่นการให้ยารักษาชนิดใหม่ จะส่งผลให้หายเร็วขึ้นหรือไม่เมื่อเทียบกับผู้ป่วยที่ไม่ได้รับยารักษา ซึ่งจากที่กล่าวมา ทำให้เห็นว่า terminology ของ survival analysis จะเป็น survive, failure, และ death เป็นต้น</p><p>ปัจจุบัน การทำ survival analysis กำลังเป็นที่นิยม โดยเฉพาะในศาสตร์ของ data science กำลังเป็นที่นิยมขึ้น ซึ่งสามารถนำมาใช้คำนวณ</p><ul><li>ระยะเวลาจนเกิด product failure</li><li>ระยะเวลาของการใช้งานของอุปกรณ์จนถึงช่วงการเรียกประกัน</li><li>ระยะเวลาของกระบวนการทางเคมีในโรงงาน ก่อนจะเกิด critical level</li><li>ระยะเวลาในการขายของ ตั้งแต่ช่วงเริ่มขาย จนถึงจุดที่ควร sale สินค้า</li><li>ระยะเวลาที่พนักงานจะอยู่กับเรา จนถึงช่วงเวลาที่เขาลาออก</li></ul><h3>Survival Analysis แตกต่างจากเครื่องมืออื่นอย่างไร</h3><p>แน่นอนว่าปัญหาเรื่องของการทำนายการยกเลิกบริการ หรือการซื้อครั้งถัดไปนั้น สามารถมองเป็น classification problem ได้ โดยสร้าง model ในการทำนายว่าลูกค้าที่มีลักษณะ (features) เหล่านี้จะยกเลิกการใช้บริการเราหรือไม่</p><p>แต่ข้อแตกต่างระหว่าง Survival Analysis และ Classification Model คือ</p><ol><li>Survival Analysis ไม่ใช่เครื่องมือในการทำนายว่าเหตุการณ์นั้น ๆ จะเกิดขึ้นหรือไม่ แต่เป็นเครื่องมือที่หาความน่าจะเป็น (probability) ที่เหตุการณ์จะ<strong>ไม่เกิดขึ้น</strong> (survive) โดย<strong>เปลี่ยนแปลงไปตามระยะเวลา <em>t</em></strong></li><li>Classification เป็นเครื่องมือในการทำนายว่าเหตุการณ์นั้น ๆ จะเกิดขึ้นหรือไม่ โดยมองช่วงเวลา เป็นหนึ่งในตัวแปร (feature) ซึ่งหมายความว่า เราจะรู้แค่ว่าลูกค้าคนนั้นจะ<strong>ยกเลิกบริการหรือไม่ (เกิด = 1 ไม่เกิด = 0)</strong> ซึ่งแตกต่างจาก Survival Analysis ที่จะ<strong>ดูภาพรวมของความน่าจะเป็นของเหตุการณ์ที่เกิดขึ้นเมื่อเวลาเปลี่ยนแปลงไป</strong></li><li>Classification จะแบ่งชุดข้อมูล หรือนำข้อมูลจากอดีตเพื่อ มาสร้าง model และนำ model <strong>นี้ไปทำนายกับชุดข้อมูลใหม่</strong> ว่าเหตุการณ์นั้นจะเกิดขึ้นหรือไม่ ในขณะที่ Survival Analysis จะทำการวิเคราะห์จากข้อมูลที่มี เพื่อหาความน่าจะเป็นที่เปลี่ยนแปลงไปตามระยะเวลา<strong>ของชุดข้อมูลนั้น ๆ </strong>หมายความว่า เราไม่จำเป็นต้องรอให้มีข้อมูลใหม่เพื่อที่จะนำ model นี้มาใช้ เราสามารถวิเคราะห์จากกลุ่ม segment ที่เราสนใจได้เลย</li><li>เนื่องจาก Survival Analysis เป็นเครื่องมือที่สร้างขึ้นมาเพื่อปัญหานี้ประเภทนี้เท่านั้น ทำให้มันมีคุณสมบัติเฉพาะในการ encode information ที่สำคัญมาใช้ในการคำนวณ (เช่นผลจาก censored data เป็นต้น) ในขณะที่ classification นั้น เราต้องมาทำ feature engineering เพิ่มเพื่อ encode information ตรงนี้ออกมา</li></ol><h3>เตรียมชุดข้อมูลวิเคราะห์ Survival Analysis</h3><p>ข้อมูลที่นำมาใช้เป็นตัวอย่างในบทความนี้เป็นข้อมูลของ <a href="https://www.ibm.com/communities/analytics/watson-analytics-blog/predictive-insights-in-the-telco-customer-churn-data-set/">Telco-Customer-Churn</a> ซึ่งเป็นข้อมูลของบริษัทโทรคมนาคมต่างประเทศ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yzsd4vvkG7VRCJRyw9tKPA.png" /><figcaption>Figure 1 ตัวอย่างชุดข้อมูล Telco Customer Churn</figcaption></figure><p>โดยข้อมูลที่จำเป็นสำหรับการทำ Survival Analysis นั้นต้องมี</p><ol><li>ระยะเวลา เช่น ลูกค้าคนนี้เป็นลูกค้ามาเป็นระยะเวลา 10 ปี หรือเขาเข้ามาหาเราครั้งสุดท้ายเมื่อเดือน 5 และกลับเข้ามาใช้บริการอีกครั้งตอนเดือน 8 แสดงว่าเขามีระยะเวลาเป็น 3 เดือน</li><li>ชุดข้อมูลที่ระบุว่าเหตุการณ์นั้น เกิดขึ้นหรือไม่ เช่นลูกค้ากลับมาใช้บริการหรือไม่ หรือลูกค้ายกเลิกบริการของเราหรือไม่</li><li>Factors อื่น ๆ ที่จะใช้ในการวิเคราะห์ เพื่อดูว่า factor นั้น ๆ มีผลต่อระยะเวลาหรือไม่เช่น package ที่ลูกค้าใช้ หรือประเภทของบัตรสมาชิก เป็นต้น</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/144/1*DunMpAad5iWEgxjKTXFYUQ.png" /><figcaption>Figure 2 ตัวอย่างชุดข้อมูลที่จำเป็น</figcaption></figure><p>ทั้งนี้ จากเรื่องของระยะเวลาที่กล่าวไปนั้น ในกรณีที่ลูกค้าเข้ามาใช้บริการครั้งสุดท้ายเมื่อเดือน 5 แต่ไม่กลับมาใช้บริการอีกเลยนั้น จนถึงตอนนี้ (สมมุติว่าเป็นเดือน 1 ของปีถัดไป) แสดงว่าลูกค้าคนนั้นมีระยะเวลาทั้งหมดประมาณ 8 เดือน และเนื่องจากเขาไม่ได้กลับมาใช้บริการเราอีก เราจึงไม่มีข้อมูลในส่วนนี้ เช่นเราเก็บข้อมูลการซื้อซ้ำใน attribute <em>Last Purchase </em>ถ้าหากเขาไม่ได้กลับมาซื้อของจากเราอีก ข้อมูลส่วนนี้ก็จะว่างไป ข้อมูลว่างนี้เรียกว่า <strong>Censored data</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*OILZt5k53Kk1rGxNWnZ7wg.png" /><figcaption>Figure 3 ตัวอย่างชุดข้อมูล</figcaption></figure><p>Censored data เป็นชุดข้อมูลว่าง <strong>ที่เรารู้ว่ามันคืออะไร เพียงแค่ไม่มีข้อมูลในฐานข้อมูลของเรา </strong>เช่น ในกรณีของข้อมูลการย้ายค่ายบริการ ถ้าเราไม่มีข้อมูลว่าลูกค้าย้ายค่ายเมื่อไหร่ ซึ่งจะทำให้ attribute ของการย้ายค่ายเป็นช่องว่าง แต่เรารู้ว่าลูกค้าคนนั้นยังไม่ย้ายค่ายแน่ๆซึ่งแตกต่างจาก NA (Not available/missing value) ซึ่งเป็นข้อมูลว่าง และเราก็ไม่รู้ว่าข้อมูลมันคืออะไร</p><p>Censored data สามารถแบ่งออกได้เป็นหลาย Type โดยในส่วนของ Survival Analysis นั้นจะเป็น <strong>Right-Censored</strong> หมายถึงว่า เรารู้จุดเริ่มต้นของข้อมูลแต่ไม่รู้ว่าเหตุการณ์ต่อไปจะเกิดเมื่อไหร่ หรือในช่วงที่ทำการวิเคราะห์ข้อมูลนั้น เหตุการณ์ของลูกค้ากลุ่มที่ศึกษาอยู่ ยังไม่เกิดขึ้น หรือเพราะเราขาดการ follow up ของลูกค้าคนนั้น ๆ ไป ทำให้ตั้งแต่จุดนั้นเป็นต้นมา ไม่มีข้อมูลของลูกค้าคนนี้อีกเลยเป็นต้น</p><p>ส่วนข้อมูลที่มีเหตุการณ์เกิดขึ้นนั้น ใน survival analysis จะเรียกการเกิดขึ้นของเหตุการณ์ว่า failure ในขณะที่ข้อมูลที่ยังอยู่รอดในช่วงเวลานั้นจะเรียกว่า survive</p><p>ถ้าหากถึงช่วง study end แล้ว หรือหมายถึงช่วงที่เราเริ่มนำข้อมูลมาวิเคราะห์ ถ้าหากข้อมูลไหนที่เรายัง follow up อยู่แต่เหตุการณ์ยังไม่เกิด เราจะเรียกข้อมูลชุดนี้ว่า truncated data หรือการตัดจบ ซึ่งในแง่การคำนวณแล้ว เราจะมองกลุ่มนี้เหมือนกับ censored data นั้นเอง</p><h3>ทำไมถึงไม่ใช้ regression</h3><p>ถ้าเรานำระยะเวลาของคนที่ย้ายค่ายมาดูการกระจายตัว จะเป็นว่ากราฟมีลักษณะเบ้ขวา (right skew) มากๆ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Qyb0vwcsYpHNPwy2rmNfvg.png" /><figcaption>Figure 4 Distribution ของระยะเวลาของลูกค้าที่ย้ายค่าย</figcaption></figure><p>จากทั้งเรื่องของ censored data และ skew distribution ทำให้เราไม่สามารถใช้ regression แบบปกติได้เนื่องจาก regression ไม่สามารถรับมือกับ censored data ได้ และ assumption ของ linear regression คือกราฟเป็นมีการกระจายตัวแบบปกติ (normal distribution) ซึ่งถ้าฝืนทำไป อาจจะทำให้ model ขาดความแม่นยำไปอย่างมาก</p><h3>Fundamental of Survival Analysis</h3><p>ส่วนประกอบสำคัญของ Survival analysis ก็คือ Survival curve, S(t) (หรือ survival function) ซึ่งเป็นฟังชั่นในการนำระยะเวลา t มาเทียบคู่กับความน่าจะเป็นที่จะอยู่รอดมากกว่าเวลา t</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/303/0*vombOj4W-fr3W-Iz" /><figcaption>Equation 1: Survival curve</figcaption></figure><p>โดย CDF (Cumulative Distribution Function) เป็นความน่าจะเป็นของช่วงเวลาที่อยู่รอด <strong>น้อยกว่าหรือเท่ากับ t </strong>ทั้งนี้ จะเห็นว่าจากสมการ ถ้าเรามี CDF ของความน่าจะเป็นในการอยู่รอดตลอดทุกช่วงระยะเวลา เราก็จะสามารถคำนวณหา survival curve ได้อย่างง่าย</p><p>ถ้าอยากรู้ถึงอัตราการเปลี่ยนแปลงของเหตุการณ์ที่จะเกิดขึ้นในแต่ละช่วงเวลาแล้ว เราต้องใช้ <strong>Hazard function</strong></p><h3>Hazard Function</h3><p>Hazard function (หรือเรียกว่า Hazard rate หรือ risk rate λ) คืออัตราการเปลี่ยนแปลงของคนที่อยู่รอด (survive) ในช่วงเวลา t จะยกเลิกบริการกับเรา ในช่วงเวลา t+1 หรือพูดง่าย ๆ ก็คือ อัตราการเปลี่ยนแปลงของการเกิดขึ้นของเหตุการณ์ ในช่วงเวลา t</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/292/0*NyxLjFCkdrCYexc-" /><figcaption>Equation 2: Hazard function</figcaption></figure><p>อัตราการเปลี่ยนแปลงนี้ สามารถนำมาสร้างกราฟเส้น hazard rate เทียบกับระยะเวลาเพื่อดูได้ว่าช่วงระยะเวลาที่เท่าไหร่ที่การเปลี่ยนแปลงจะเกิดขึ้นมากเป็นพิเศษ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*mKdeksH8cR5Vtcc7jinpMA.png" /><figcaption>Figure 5 กราฟของ hazard rate ของ customer churn เมื่อเทียบกับเวลา โดยแสดงถึงอัตราการย้ายค่าย ภาพดัดแปลงจาก Stevenson M., 2009</figcaption></figure><p>จากกราฟ จะสามารถอธิบายได้ว่า ช่วงเดือนมีนาคม จะมีอัตราการย้ายค่ายสูงเมื่อเทียบกับช่วงเวลาอื่น ๆ ทำให้เราต้องเตรียมการรับมือในช่วงนั้นเป็นพิเศษ</p><p>ถ้าเรานำ hazard rate แต่ละช่วงเวลามารวมสะสมกันไปเรื่อย ๆ ตั้งแต่ช่วงเวลาที่ t=0 จนถึงช่วงเวลาสุดท้าย t = T เราก็จะสามารถคำนวณ survival curve, S(t) ได้ ซึ่งการสะสมของ hazard rate ในแต่ละช่วงเวลานั้น เรียกว่า Cumulative Hazard (หรือ Cumulative risk) โดยค่าของ cumulative hazard มาจากการหาพื้นที่ใต้กราฟ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/227/0*Si2sgyNblBwMW7dZ" /><figcaption>Equation 3: Cumulative hazard หรือ cumulative risk</figcaption></figure><p>จากนั้น เราก็สามารถคำนวณ survival curve, S(t) ได้จากสมการ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/240/0*f8cc-QnyJfZZPAos" /><figcaption>Equation 4: การหา survival curve จาก cumulative hazard</figcaption></figure><h3>Survival Analysis ด้วย Kaplan-Meier Method</h3><p>ในความเป็นจริงแล้ว เราไม่สามารถรอเก็บผลจากกลุ่มศึกษา (study group) จนครบทุกคนแล้วค่อยนำมาวิเคราะห์ผลได้ เช่นงานวิจัยทางการแพทย์ เราคงไม่สามารถรอให้คนไข้หายจากโรคทั้งหมดก่อน เพื่อดู effect ของ treatment ได้ โดยอาจจะใช้เวลามากกว่าครึ่งปีจนไปถึงหนึ่งปี ซึ่งกว่าจะถึงตอนนั้น treatment อาจจะไม่จำเป็นอีกต่อไปแล้วก็ได้ ดังนั้นเราเลย<strong>ต้องหาวิธีในการประมาณค่า (inference) ของ survival curve แบบอื่นแทน</strong> โดยแบบที่นิยมมากที่สุดและง่ายที่สุดคือ<strong> Kaplan-Meier Method</strong></p><p>Kaplan-Meier Method เป็นวิธีประมาณค่า survival curve แบบ non-parametric method หมายความว่า model นี้ไม่ได้มี assumption เกี่ยวกับการกระจายตัวของข้อมูลมาก่อน ทำให้เราสามารถใช้ข้อมูลรูปแบบไหนก็ได้ (ไม่ต้องกังวลว่าข้อมูลเราจะกระจายตัวแบบ normal distribution หรือไม่ เป็นต้น)</p><p>Kaplan-Meier Method จะประมาณค่าของ hazard rate เพื่อนำมาคำนวณ survival curve ตามสมการด้านล่าง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/435/0*W1Bg5u8PdmSG7Y1k" /><figcaption>Equation 5: การประมาณค่า survival curve</figcaption></figure><p>โดย r_j เป็นจำนวนของข้อมูลที่จัดอยู่ใน risk (survive) ณ ช่วงเวลา t_j ซึ่งไม่นับ observation ที่ระบุเป็น censored data และ d_j เป็นจำนวนข้อมูลที่มีเหตุการณ์เกิดขึ้น (failure) โดยช่วงเวลาที่ใช้ทั้งหมดตั้งแต่ 0 จนไปถึง เวลา T</p><p>ผลลัพธ์ที่ได้คือค่า cumulative survival ในช่วงเวลาต่าง ๆ ซึ่งจะนำไปสร้างกราฟเพื่อทำการวิเคราะห์ข้อมูลได้ โดยข้อมูลที่ใช้ ตามที่อธิบายไว้ด้านบน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xMvp2UYOA4OYKK8zNADZ9Q.jpeg" /><figcaption>Figure 6 กราฟของ survival curve</figcaption></figure><p>จากกราฟที่ได้มา เป็นกราฟของความน่าจะเป็นที่จะอยู่รอด (survive) เทียบกับเวลา (time) ที่เส้นสีฟ้า ตีความได้ว่าจะมี 20% ที่เหตุการณ์จะเกิดขึ้น (เช่น ย้ายค่ายหรือยกเลิกบริการ) เมื่อช่วงเวลาผ่านไปประมาณ 33 วัน ส่วนเส้นสีเหลือง จะเมื่อเวลาผ่านไป 60 วัน จะเหลือคนที่อยู่รอด 40% จากทั้งหมด (60% ย้ายค่ายหรือยกเลิกบริการ)</p><p>เนื่องจากค่าของ survival curve เป็นค่าความน่าจะเป็น เราจึงสามารถคำนวณหา confidence interval ในช่วงเวลาต่าง ๆ ได้ โดยจากกราฟ เราจะเห็นพื้นที่สีฟ้าจาง ๆ ซึ่งแสดงช่วงความน่าจะเป็นที่ระดับความมั่นใจ 95% ของเวลานั้นเช่น เมื่อเวลาผ่านไป 40 วัน จะเหลือลูกค้าอยู่ทั้งหมดประมาณ 83% โดยความมั่นใจที่ 95% นั้น ค่าจะอยู่ในช่วงประมาณ 70% ถึง 90% หรือตีความได้ว่าอัตราการเหลือรอดของลูกค้าที่ 80% นั้นจะอยู่ในช่วงประมาณ 28 ถึง 45 วัน เป็นต้น</p><p>ถ้าเราอยากเห็น effect จากตัวแปรอื่น ๆ เราก็สามารถนำมาแบ่งกลุ่มเพื่อดูผลลัพธ์เทียบกันได้ เช่นในตัวอย่างต่อไปนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/726/1*5P_LatOp4Q1ix-O8xhDpXA.png" /><figcaption>Figure 8 Survival curve ของ churn rate เมื่อระยะเวลาตั้งแต่ 0–75 เดือนโดยแบ่งตาม internet service type</figcaption></figure><p>กราฟด้านบนแสดงถึงผลลัพธ์จากชุดข้อมูล Telco-Customer-Churn โดยแบ่งวิเคราะห์ตามประเภทของ internet service ได้แก่ กลุ่มลูกค้าที่ไม่รับ internet service, กลุ่มลูกค้าที่ติดตั้ง DSL และกลุ่มลูกค้าที่รับ Fiber optic</p><p>จากกราฟ จะเห็นว่ากลุ่มลูกค้า Fiber optic มีอัตราการ churn เยอะกว่าลูกค้ากลุ่ม DSL และไม่ติดตั้งเลย โดยเมื่อระยะเวลาผ่านไป 70 กว่าเดือน ลูกค้าที่ย้ายค่ายมีทั้งหมดมากกว่า 60% จากลูกค้าทั้งหมด ในขณะที่กลุ่มลูกค้าที่ไม่ติดตั้ง internet service นั้นมี churn rate ที่ต่ำมาก โดยเมื่อเวลาผ่านไปนั้น กลุ่มลูกค้าที่ย้ายค่ายต่ำกว่า 10%</p><blockquote>Correlation Does Not Imply Causation</blockquote><p><em>หมายความว่า การติดตั้ง Fiber optic มีผลต่อการย้ายค่ายใช่ไหม</em></p><p><strong>ช้าก่อน</strong> เราต้องระวังไว้ว่า <strong>Correlation ไม่เท่ากับ Causation</strong> หมายความว่าลูกค้ากลุ่ม internet service ที่เป็น fiber optic มีผลต่อการ churn เท่านั้น <strong>ไม่ได้หมายความว่า internet service ทำให้เกิดการ churn แต่อย่างใด</strong> ทั้งนี้เราสามารถนำผลลัพธ์ตรงนี้มาวิเคราะห์ต่อได้ว่า ทำไมกลุ่มลูกค้าที่ติดตั้ง fiber optic ถึงมีอัตราการย้ายค่ายที่เยอะกว่า internet service แบบอื่น และหาทางออกเพื่อแก้ปัญหานี้ ซึ่งจริง ๆ แล้วอาจจะเพราะว่าลูกค้ากลุ่ม fiber optic เป็นคนทำงานช่วงต้น ที่เปลี่ยนค่ายบ่อยตามโปรโมชั่น และคนที่ไม่ได้ใช้ internet service เป็นผู้สูงวัยที่ใช้โทรศัพท์ติดต่อกับครอบครัวอย่างเดียว ก็ได้</p><p>คำถามต่อมาคือ ถ้าเราอยากนำ factors อื่น ๆ เข้าไปร่วมวิเคราะห์ด้วย เช่นข้อมูล demographic หรือข้อมูลเชิง behaviour เราจำเป็นต้องใช้ model ที่เป็น parametric method เช่น Cox Regression ซึ่งจะกล่าวถึงในบทความถัดไป</p><h3>ข้อดีข้อเสียของ Kaplan-Meier</h3><p>ข้อดีของ Kaplan-Meier ได้แก่ความง่ายในการทำเนื่องจากความเป็น non-parametric ซึ่งลดความซับซ้อนของ model ลงไป ตีความได้ง่าย ส่วนจุดอ่อนของ Kaplan-Meier คือการที่ model ทำการหาค่าเฉลี่ยจากข้อมูลที่นำมาวิเคราะห์ ซึ่งทำให้ความแม่นยำน้อยกว่า model ที่เป็น parametric อีกทั้งยังไม่สามารถเอา factors หลาย ๆ ตัวมาทำการคำนวณร่วมได้</p><h3>การทำ Survival Analysis ด้วย Python และ R</h3><p>สำหรับ data science สาย python นั้น แนะนำ <a href="https://lifelines.readthedocs.io/en/latest/index.html">package lifelines</a> ซึ่งเป็น package ที่ใช้สำหรับการวิเคราะห์ survival analysis หลายรูปแบบ ทั้งแบบ parametric method และ non-parametric method อีกทั้ง document ยังละเอียดและทำตามได้ง่าย</p><p>ส่วน data science สาย R นั้น จะมี <a href="https://cran.r-project.org/web/packages/survival/index.html">package survival</a> มากับ based R อยู่แล้ว สามารถเรียกใช้ได้เลย โดยเหมือนกับ python ซึ่งชุดคำสั่งพร้อมสำหรับการวิเคราะห์ (ไว้เดี๋ยวแสดงตัวอย่างในบทความครั้งถัดไป)</p><h4>ส่งท้าย</h4><p>ผมเจอตัวอย่าง use case ที่น่าสนใจในการใช้ survival analysis ในธุรกิจจริง สามารถตาม <a href="https://medium.com/vitalify-asia/a-case-study-for-applying-survival-analysis-on-real-business-problem-d55dcb3db8eb"><strong><em>อ่านได้ที่นี่ครับ</em></strong></a></p><p>หวังว่าบทความนี้จะเป็นประโยชน์ต่อผู้อ่านทุกท่าน ถ้าหากมีข้อสงสัยหรือ แลกเปลี่ยนความคิดเห็น ก็สามารถ comment หรือทักเข้ามาคุยได้เลยนะครับ :)</p><h4>References</h4><ol><li><a href="http://s3.amazonaws.com/zanran_storage/epicentre.massey.ac.nz/ContentPages/111789122.pdf">http://s3.amazonaws.com/zanran_storage/epicentre.massey.ac.nz/ContentPages/111789122.pdf</a></li><li><a href="https://data.princeton.edu/wws509/notes/c7.pdf">https://data.princeton.edu/wws509/notes/c7.pdf</a></li><li><a href="http://greenteapress.com/thinkstats2/thinkstats2.pdf">http://greenteapress.com/thinkstats2/thinkstats2.pdf</a></li><li><a href="https://www.kdnuggets.com/2017/11/survival-analysis-business-analytics.html">https://www.kdnuggets.com/2017/11/survival-analysis-business-analytics.html</a></li></ol><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=2a52a7a0e9e2" width="1" height="1" alt=""><hr><p><a href="https://medium.com/asquarelab/%E0%B8%99%E0%B8%B2%E0%B8%99%E0%B9%80%E0%B8%97%E0%B9%88%E0%B8%B2%E0%B9%84%E0%B8%AB%E0%B8%A3%E0%B9%88%E0%B8%81%E0%B8%A7%E0%B9%88%E0%B8%B2%E0%B8%A5%E0%B8%B9%E0%B8%81%E0%B8%84%E0%B9%89%E0%B8%B2%E0%B8%88%E0%B8%B0%E0%B8%AB%E0%B8%99%E0%B8%B5%E0%B9%80%E0%B8%A3%E0%B8%B2%E0%B9%84%E0%B8%9B%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-survival-analysis-2a52a7a0e9e2">นานเท่าไหร่กว่าลูกค้าจะหนีเราไปด้วย Survival Analysis</a> was originally published in <a href="https://medium.com/asquarelab">ASquareLab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[EP.2 — k-Armed Bandit (Part 1)]]></title>
            <link>https://medium.com/asquarelab/ep-2-k-armed-bandit-part-1-31f04f0fd892?source=rss----c5b4f37795de---4</link>
            <guid isPermaLink="false">https://medium.com/p/31f04f0fd892</guid>
            <category><![CDATA[reinforcement-learning]]></category>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <dc:creator><![CDATA[Thammasorn Harnpadungkij]]></dc:creator>
            <pubDate>Fri, 23 Nov 2018 07:03:48 GMT</pubDate>
            <atom:updated>2020-10-23T18:37:52.373Z</atom:updated>
            <content:encoded><![CDATA[<h3>EP.2 — k-Armed Bandit (Part 1)</h3><h4>Hello World!! ของ Reinforcement Learning</h4><p>(ตอนนี้ย้ายไปเขียนบน thammasorn.github.io แทนแล้วครับผม)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*JVehg2zDxoFB1RxvdLbAzA.png" /></figure><h3>Outline</h3><ul><li>k-Armed Bandit คืออะไร ?</li><li>การแก้ปัญหา k-Armed Bandit</li><li>สรุป Simple Bandit Algorithm</li><li>การทดลอง</li></ul><h3>K-Armed Bandit คืออะไร ?</h3><p>k-armed bandit เป็นโจทย์ปัญหาที่พื้นฐานที่สุดของ reinforcement learning เพราะมีเพียงแค่ state เดียวและ agent เพียงต้องพยายามประมาณให้ได้ว่า reward ที่ได้จากแต่ละ action เป็นเท่าใด โดยที่ปัญหามีอยู่ว่า</p><blockquote>มีตู้กดอยู่ k ตู้ และเราต้องเลือกว่าจะกดที่ตู้ไหน เมื่อกดไปที่ตู้ใดแล้ว ตู้นั้นจะสุ่มค่ารางวัลออกมาให้ ซึ่งแต่ละตู้จะมีค่าเฉลี่ยของรางวัลแตกต่างกัน เช่น ตู้ที่หนึ่งมีค่าเฉลี่ยของรางวัลคือ 10, ตู้ที่สองมีค่าเฉลี่ยของรางวัลคือ 20 ฯลฯ แต่ค่าเฉลี่ยเหล่านี้เราไม่รู้</blockquote><blockquote><strong>โจทย์คือจะทำอย่างไรให้เราสามารถสะสม reward ให้ได้มากที่สุดเมื่อเล่นไปนาน ๆ (กดตู้ทั้งหมด 100 ครั้ง 1000 ครั้ง→ infinite ครั้ง)</strong></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*b7k86DCUSge17zwUfrhxRg.png" /></figure><p>เราสามารถมองปัญหา k-armed bandit เป็น reinforcement learning ได้ดังนี้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yYZM8-0tbH0LnIrcExH6hg.png" /></figure><p>จากปัญหาข้างต้นจะพบว่า k-armed bandit นั้นเป็นปัญหาที่มีแค่ state เดียวคือ การที่ agent ต้องเผชิญหน้ากับตู้กดจำนวน k ตู้ และมีจำนวน action เป็น k actions ซึ่งก็คือจำนวนตู้ให้เลือกกด ในส่วนของ reward ก็คือจำนวนรางวัลที่แต่ละตู้สุ่มมาให้เมื่อถูกกด</p><h3>การแก้ปัญหา k-Armed Bandit</h3><p>ดังที่กล่าวไปข้างต้นว่าแต่ละตู้กดนั้นจะมีค่าเฉลี่ยของรางวัลที่แตกต่างกัน บางตู้มาก บางตู้น้อย เพราะฉะนั้นการแก้ปัญหา k-armed bandit นั้นคือการทำให้เราสามารถหาได้ว่าตู้กดใดที่มีค่าเฉลี่ยของรางวัลที่มากที่สุด แต่ว่าระหว่างที่กำลังค้นหาว่าตู้ไหนมีค่าเฉลี่ยรางวัลมากที่สุด agent จะต้องสะสม reward ให้ได้มาก ๆ ด้วย</p><p>เราจะเรียกค่าเฉลี่ยของรางวัลของแต่ละตู้ว่า<strong> action value</strong> เหตุผลที่เรียกว่า action value ก็เพราะว่ามันคือ<strong>ค่าเฉลี่ยของ reward ที่เราจะได้จากการทำแต่ละ action </strong>จะใช้ตัวย่อเป็น<strong> q*(a) </strong>เมื่อ a คือ action หรือตู้ที่เลือกกด</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Pp8juR_sJVP_Njv0fuG1cQ.png" /><figcaption>สมการแสดงความหมายของค่า q*(a) สามารถแปลความหมายง่าย ๆ ว่า q*(a) คือค่าความคาดหวังของ reward เมื่อเราทำ action a ณ เวลา t</figcaption></figure><p>ถ้าเรารู้ q*(a) แต่แรกก็จบ เพราะเราก็แค่เลือกแต่ตู้ที่มีค่า q*(a) สูงที่สุด แต่ปัญหาคือเราไม่รู้ เพราะฉะนั้นสิ่งที่เราต้องทำคือในตอนแรกเราจะลองผิดลองถูกเลือกแบบสุ่มไปก่อน แต่ทุกครั้งที่เรากดเลือกตู้ใด ๆ เราจะทำการ<strong>ประมาณค่า q*(a) ของตู้นั้น ๆ ด้วยค่าเฉลี่ยของ reward ที่ได้มาก่อนหน้าเมื่อเรากดตู้นั้น ๆโดยค่าประมาณนี้จะแทนด้วย Qt(a)</strong> เมื่อ t คือลำดับครั้งที่เรากดตู้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*hhKyy7G6sg0ccNlxSWejKg.png" /><figcaption>สมการการคิดค่า Q ณ เวลา t ของ action a</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*B0J__tiFWh0z6SuPdxpiXQ.png" /><figcaption>ตัวอย่างการคำนวณค่า Qt(a) เนื่องจากในตอนนี้เรายังไม่มี policy เพราะฉะนั้นในตารางข้างบนเราจะสมมติว่าเลือก action ด้วยการสุ่มแบบ uniformly distributionโดยที่ reward มาจากการสุ่มจาก reward distribution ของแต่ละเครื่อง</figcaption></figure><p>เพราะฉะนั้นแล้วยิ่ง t สูงหรือเวลาผ่านไปนานนั้นหมายความว่าสมการด้านบนจะมี จำนวน sample ที่มากขึ้นในการหาค่าเฉลี่ย ซึ่งจะทำให้ค่า Qt(a) ค่อย ๆ ลู่เข้าใกล้ค่า q*(a) มากขึ้นเรื่อย ๆ</p><p>ต้องอย่าลืมว่าเป้าหมายหลักของเราจริง ๆ แล้วไม่ใช่แค่การประมาณค่า q*(a) แต่เราจะต้องสะสม reward ให้ได้มากที่สุดอีกด้วย ทำให้คำถามต่อมาของเราคือ <strong>ในระหว่างที่เราลองผิดลองถูก เราจะเลือกตู้ที่จะกดหรือจะมี policy อย่างไร เพื่อทำให้ได้ reward มาก ๆ ควบคู่ไปกับการประมาณค่า Qt(a) ด้วย</strong></p><p>คำตอบคือเราสามารถนำค่า Qt(a) มาใช้ในการสร้าง policy ได้ โดย policy ที่ง่ายที่สุดคือในแต่ละเวลา t นั้น เราจะเลือก action ที่มีค่า Qt(a) มากที่สุด เราจะเรียก policy แบบนี้ว่า greedy policy ถ้าจำง่าย ๆ ก็คือ greedy แปลว่าโลภ ซึ่งก็เหมือนกับ policy เราที่จะเลือกแต่ค่าที่ให้ Qt(a) มากที่สุด</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/424/1*yJncXcuYr_1GLpaF4XanpQ.png" /><figcaption>Greedy Policy (argmax(Qt(a)) หมายถึงค่า a ที่ทำให้ Qt(a) มากที่สุด หรือก็คือเลือก a ที่มี Qt(a) มากที่สุดนั่นเอง)</figcaption></figure><p>ฟังดูเผิน ๆ เหมือนจะดี แต่จริง ๆ ไม่ใช่ เนื่องจากการใช้เพียง greedy policy จะทำให้มีโอกาสที่เราจะเลือกเพียง action เดียว ซึ่งจะทำให้ค่า Qt(a) ของ action อื่น ๆ ไม่ได้ถูกประมาณให้ใกล้เคียงกับค่า q*(a) มากขึ้นเลย ทำให้เราไม่รู้ว่าจริง ๆ แล้ว action อื่นดีแค่ไหน เพราะเรามัวแต่ทำ action เดิม</p><p>ดังในรูปด้านล่างที่จริงแล้ว q*(กดตู้2) อาจจะมีค่ามากกว่า q*(กดตู้1) ก็ได้ แต่ในครั้งแรกเราทำการสุ่มเลือก action และเลือกตู้ 1 มาทำให้ตู้ 1 มี Qt(a) มากกว่าตู้ 2 หลังจากนั้น เราเลยไปเลือกแต่ตู้ 1 ทั้ง ๆ ที่ไม่เคยประมาณค่า q*(กดตู้ 2) ด้วยซ้ำไป</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1mzR46liYF_22gAVhy-eGw.png" /><figcaption>ปัญหาการใช้เพียง greedy policy อย่างเดียว</figcaption></figure><p><strong>เพราะฉะนั้นการเลือกกดตู้ใด ๆ นั้น เราเลือกกดแต่ตู้ที่มีค่า Qt(a) มากที่สุดเพียงอย่างเดียวไม่ได้ ในบางครั้งต้องลองเลือกกดตู้อื่นบ้าง </strong>เพื่อเป็นการทดลองหาทางเลือกใหม่ ๆ ที่อาจจะดีกว่าเก่า เราเรียกกว่าทำเช่นนี้ว่า exploration ที่แปลว่าการสำรวจ มันคือการออกไปนอกกรอบหาอะไรใหม่ ๆ ที่อาจจะดีกว่าเดิม</p><p>สรุปให้เข้าใจง่ายอีกทีก็คือ<strong> กระบวนการเลือก action ของเราจะประกอบด้วย 2 วิธีหลัก ๆ ได้แก่</strong></p><ul><li><strong>เลือก action ที่มี Qt(a) มากที่สุด การเลือกแบบนี้เรียกว่า exploitation </strong>โดยที่วิธีนี้จะช่วยในการสะสม reward ให้ได้มากที่สุด เนื่องจากเป็นการเลือกสิ่งที่ดีที่สุดโดยพิจารณาจากข้อมูลที่มีอยู่ หรือประสบการณ์ก่อนหน้า</li><li><strong>เลือก action ทั้งหมดด้วยความน่าจะเป็นที่เท่ากันหมดโดยไม่สน Qt(a) การเลือกแบบนี้เรียกว่า exploration</strong> ซึ่งจะช่วยทำให้ค่า Qt(a) ของทุก action ใกล้เคียงกับ q*(a) มากขึ้น เพราะการทำ exploration นั้นช่วยการันตีว่าทุก action มีความน่าจะเป็นที่จะถูกเลือกมาทำ ทำให้แต่ละ action มี sample มากพอที่จะสามารถคำนวณสมการ Qt(a) ด้านบนให้ได้ผลใกล้เคียงกับq*(a) ได้มากขึ้น ซึ่งการทำแบบนี้จะช่วยให้ exploitation สามารถเลือก action ที่ดีที่สุดได้อย่างแม่นยำมากยิ่งขึ้น (อย่าลืมว่า exploitation คือการเลือก action ที่ให้ค่า Qt(a) มากที่สุด เพราะฉะนั้นยิ่งค่า Qt(a) แม่นยำมากเท่าไหร่ ก็จะสามารถเลือก action ที่แม่นยำมากขึ้นเท่านั้น)</li></ul><p>เมื่อเรารู้ว่าควรมีวิธีการเลือก action สองแบบแล้ว คำถามถัดมาคือแล้ว<strong>เมื่อไหร่เราควรจะเลือกแบบ exploitation เมื่อไหร่ควรจะเลือกแบบ exploration</strong> ซึ่งวิธีแก้ปัญหานี้คือเราจะตั้งค่าความน่าจะเป็นมาหนึ่งค่าและแทนด้วย ϵ</p><ul><li>เลือก action แบบ exploration ภายใต้ความน่าจะเป็น ϵ</li><li>เลือก action แบบ exploitation ภายใต้ความน่าจะเป็นที่เหลือ (1-ϵ)</li></ul><p>วิธีนี้เรียกว่า <strong>e-greedy algorithm</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*IUGCMYmf_yyEwqz2VxZM_w.png" /><figcaption>ϵ-greedy policy</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*65A-sVFuB--Ry8Kqj4GLZA.png" /><figcaption>การเลือกตู้ที่จะกดแบบ ϵ-greedy policy</figcaption></figure><p>แล้วเราจะรู้ได้อย่างไรว่าค่า ϵ ควรเป็นเท่าไหร่ดี ถ้าเราลองคิดเล่น ๆ จะพบว่าค่า ϵ บ่งบอกถึงความบ่อยของ exploration และจากด้านบนบอกว่า exploration ช่วยทำให้ค่า Qt(a) ลู่เข้าสู่ค่า q*(a) ของทุก action ได้เร็วมากขึ้น เพราะฉะนั้น</p><blockquote>ϵ สูงจะทำให้ agent เรามีโอกาสที่จะพบ action ที่ดีที่สุดได้เร็วขึ้น</blockquote><p>แต่ก็ใช่ว่าค่า ϵ สูงจะดีเสมอไป อย่าลืมว่าค่า ϵ สูงจะทำให้การทำ exploitation น้อยลง ซึ่งส่งผลให้ reward สะสมตลอดนั้นน้อยลงไปด้วย เพราะแทนที่เราจะไปเลือก action ที่มีค่า value function เยอะ ๆ นั้น เราดันไป explore ซะมากกว่า</p><blockquote>ϵ มากจะทำให้ความน่าจะเป็นที่เลือก action ที่เป็น optimal action นั้นน้อยลง</blockquote><h3><strong>A Simple Bandit Algorithm</strong></h3><p>เราสามารถสรุป algorithm ที่ใช้ในการแก้ปัญหา k-armed bandit ได้ดังรูปด้านล่าง ซึ่งสามารถอธิบายได้ดังนี้</p><ol><li>ตั้งค่า Q(a) และ จำนวนครั้งในการถูกเลือก( N(a) ) ของทุก action เป็น 0</li><li>ให้ agent ใช้ ϵ-greedy policy เลือก action หรือตู้ที่จะกด (แทนด้วย a)</li><li>เมื่อเลือก action และไปกดตู้แล้ว สิ่งที่ได้ออกมาคือ reward ที่ตู้นั้นสุ่มให้ แทนด้วย r</li><li>บันทึกจำนวนครั้งที่เราเลือกกดตู้ a ด้วยการบวก N(a) เพิ่มขึ้น 1</li><li>Update ค่า Q(a) ใหม่ ด้วย reward ที่เพิ่งได้รับมา (สมการในรูปด้านล่างแตกต่างจากสมการ Qt(a) ที่ได้นำเสนอไปด้านบน แต่ทั้งสองสมการนั้นสามารถหาค่า Qt(a) ได้ประมาณกัน)</li><li>ทำตั้งแต่ขั้นตอนที่ 2 ถึง 5 ใหม่ ซ้ำ ๆ ไปเรื่อย ๆ ในที่สุดค่า Q(a) ของทุก a จะลู่เข้าค่า q*(a)</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*RQdu2ikWll2-2A5O94vRUg.png" /><figcaption>Simple Bandit Algorithm</figcaption></figure><h3><strong>การทดลอง</strong></h3><ul><li>มี 3 ตู้ โดยที่แต่ละตู้มีค่าเฉลี่ยรางวัลหรือ q*(a) เท่ากับ 20, 40 และ 80 ตามลำดับ โดยที่มี variance ของรางวัลเท่ากับ 20</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*KX48tM66RmaxH7awrNJT5A.png" /><figcaption>Distribution ของ reward แต่ละตู้ เมื่อเราลองกดตู้ละ 1,000 ครั้ง</figcaption></figure><ul><li>ให้ agent ได้เลือกกดตู้ทั้งหมด 4,000 ครั้ง</li><li>ทดลองพัฒนาด้วย ϵ-greedy policy ที่มีค่า ϵ=0.01 และ 0.1</li></ul><p><strong>ผลการทดลอง</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*rhue5Da6HYZ-vA_EmDWUVw.png" /><figcaption>กราฟที่ 1 เปรียบเทียบค่า Q กับเวลา แสดงให้เห็นถึงการลู่ค่า q*(a)</figcaption></figure><p>กราฟที่ 1 ด้านบนนั้นเปรียบเทียบค่า Qt(a) เมื่อเวลาผ่านไป ทั้งสีฟ้าและสีชมพูจะมีสีละ 3 เส้นแทนค่า Qt(a) ของแต่ละตู้ จะเห็นได้ว่าค่า Q ของสีฟ้านั้น stable อยู่ที่ค่า 20 40 และ 80 ( q*(a) ตามโจทย์) ได้เร็วกว่าสีชมพู เป็นไปตามที่เราคิดกันไว้ข้างบนว่ายิ่งมีค่า ϵ สูงจะทำให้ค่า Qt(a) สามารถลู่เข้า q*(a) ได้เร็วยิ่งขึ้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*XQJIazOtghyFdeLzOgo3WA.png" /><figcaption>กราฟที่ 2 แสดงตู้ที่กดในแต่ละเวลา</figcaption></figure><p>จากกราฟที่สองด้านบนจะเห็นได้ว่า เส้นสีฟ้านั้นไปกดตู้ 3 บ่อย ๆ ตั้งแต่เวลาประมาณ t=10 นิด ๆ ซึ่งเร็วกว่าเส้นสีชมพูที่ไปเลือกกดตู้ 3 บ่อย ๆ ตั้งแต่เวลา t=170</p><p>นั่นเป็นเพราะว่า สีฟ้ามีค่า ϵ มากกว่าสีชมพู จึงทำให้ค่า Qt(a) ของสีฟ้าลู่เข้าสู่ค่า q*(a) ได้เร็วกว่า และทำให้สามารถพบ action ที่ดีที่สุดได้เร็วกว่าสีชมพู แต่หลังจากที่สีชมพูค้นพบ action ที่ดีที่สุดบ้างแล้ว (t=170 เป็นต้นไป) สีชมพูมีความคงที่ของการเลือกกดตู้ 3 มากกว่าเส้นสีฟ้า เนื่องจากสีฟ้ามีค่า ϵ ที่มากกว่าทำให้มีโอกาสที่จะเลือก action แบบสุ่มแทนที่จะเลือก action ที่ดีที่สุดมากกว่าสีชมพู</p><blockquote><strong>Recall:</strong> ϵ คือค่าความน่าจะเป็นที่จะเลือก action แบบสุ่ม แทนที่การเลือก action ที่มี Qt(a) มากที่สุด</blockquote><p>ซึ่ง reward จากการเลือก action ทั้งของสีฟ้าและสีชมพูนั้นแสดงในกราฟที่ 3 และ 4 ซึ่งจะเห็นได้ว่าหลังจาก timestep ที่ 170 เป็นต้นไปกราฟ reward ของสีชมพูแกว่งลงมาที่ reward ต่ำ ๆ น้อยกว่ากราฟสีฟ้า</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*2o9QMpsgxeVRl5YMkieiTw.png" /><figcaption>กราฟ 3 แสดง reward ที่ได้จากการกดตู้ในแต่ละเวลา</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zK3Bo_lqhGwAJi8x3sHtxw.png" /><figcaption>กราฟ 4 แสดง moving average ของ reward ในแต่ละเวลา (ทำเพื่อแค่ให้ดูง่ายขึ้นจากกราฟ 3)</figcaption></figure><p>กราฟที่ 5 ด้านล่างแสดง reward สะสมระหว่างสีฟ้ากับสีชมพู สังเกตในตอนแรกนั้น เส้นสีฟ้าอยู่เหนือเส้นสีชมพู นั่นเป็นเพราะว่าสีฟ้าค้นพบก่อนว่ากดตู้ 3 แล้วได้ reward มากที่สุด ทำให้สีฟ้าสะสม reward ในช่วงต้นได้มากกว่าสีชมพู แต่สีฟ้าดันไม่มีความ stable ในการเลือกตู้ 3 ได้เท่ากับสีชมพู เพราะมีค่า ϵ มากกว่า ทำให้สุดท้ายเส้นสีชมพูสามารถสะสม reward ได้มากกว่าสีฟ้า</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ziUriaZXwH-UlkJ8Ie1FHw.png" /><figcaption>กราฟที่ 5 แสดง reward สะสมในแต่ละเวลา จะเห็นได้ว่าในตอนแรกนั้นกราฟสีฟ้าอยู่เหนือกราฟสีชมพู แต่เมื่อเวลาผ่านไปเรื่อย ๆ กราฟสีชมพูจะตัดขึ้นมาอยู่เหนือกราฟสีฟ้าในที่สุด</figcaption></figure><h3><strong>บทถัดไป</strong></h3><p>บทถัดไปยังอยู่กับปัญหา k-armed bandit แต่จะขยับไปพูดถึงว่า เราจะทำอย่างไรได้บ้างที่จะทำให้ เมื่อกราฟสีฟ้าด้านบนเจอ action ที่ดีที่สุดแล้ว ให้มันเริ่มลดการค้นหา action อื่น ๆ ต่อไป และพยายามเลือกแต่ action ที่ดีที่สุด (ลด exploration เพิ่ม exploitation) เพื่อให้ reward ไม่แกว่งลงมาในช่วง reward น้อย ๆ ทำให้สะสม reward ได้มากขึ้น</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=31f04f0fd892" width="1" height="1" alt=""><hr><p><a href="https://medium.com/asquarelab/ep-2-k-armed-bandit-part-1-31f04f0fd892">EP.2 — k-Armed Bandit (Part 1)</a> was originally published in <a href="https://medium.com/asquarelab">ASquareLab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[EP.1 — Reinforcement Learning เบื้องต้น]]></title>
            <link>https://medium.com/asquarelab/ep-1-reinforcement-learning-%E0%B9%80%E0%B8%9A%E0%B8%B7%E0%B9%89%E0%B8%AD%E0%B8%87%E0%B8%95%E0%B9%89%E0%B8%99-acfa9d42394c?source=rss----c5b4f37795de---4</link>
            <guid isPermaLink="false">https://medium.com/p/acfa9d42394c</guid>
            <category><![CDATA[machine-learning]]></category>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[deep-learning]]></category>
            <category><![CDATA[reinforcement-learning]]></category>
            <category><![CDATA[ai]]></category>
            <dc:creator><![CDATA[Thammasorn Harnpadungkij]]></dc:creator>
            <pubDate>Tue, 13 Nov 2018 08:07:05 GMT</pubDate>
            <atom:updated>2018-11-23T07:05:17.379Z</atom:updated>
            <content:encoded><![CDATA[<h3>EP.1 — Reinforcement Learning เบื้องต้น</h3><h4>ทำความรู้จักกับ reinforcement learning</h4><h3><strong>Outline</strong></h3><ul><li>ชุดของบทความนี้เหมาะสำหรับใคร ?</li><li>Reinforcement Learning คืออะไร ?</li><li>ส่วนประกอบของ Reinforcement Learning</li><li>Disclaimer</li><li>แหล่งที่มา</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QUn3AzbnKjvKB4At09n9JQ.png" /></figure><h3>บทความนี้เหมาะสำหรับ</h3><p>บุคคลทั่วไปที่ต้องการศึกษาหาความรู้เพิ่มเติมเกี่ยวกับ machine learning อีกด้านหนึ่งที่ชื่อว่า reinforcement learning ผมแนะนำว่าผู้อ่านควรจะมีความรู้ด้านคณิตศาสตร์ในระดับปานกลาง อย่างน้อยมีความรู้ด้านสถิติ และแคลคูลัสบ้าง เช่นรู้ว่าค่า mean คือค่าเฉลี่ย หรือการ diff คือการหาความชัน ส่วนความรู้ด้านการเขียนโปรแกรม<strong>ยังไม่จำเป็น</strong>มากในการทำความเข้าใจ แต่ถ้าเขียนโปรแกรมเป็นโดยเฉพาะภาษา python จะเป็นประโยชน์ในการเรียนรู้มากขึ้น เนื่องจากในแต่ละเรื่องนั้น จะมีการยกตัวอย่างการนำไปประยุกต์ใช้ในแต่ละด้าน โดยในบางส่วนอาจจะมีแจก source code ภาษา python เพื่อให้ได้ทดลอง run หรือทดลองปรับแก้กันเพื่อทำความเข้าใจมากขึ้น</p><p>ชุดของบทความนี้จะเริ่มตั้งแต่ reinforcement learning ตั้งแต่พื้นฐานที่สุดไล่ไปตั้งแต่ฝึกให้คอมพิวเตอร์ตัดสินใจภายใต้สถานการณ์เดียวซ้ำ ๆ ไปจนถึงฝึกให้คอมพิวเตอร์สามารถตัดสินใจภายใต้สถานการณ์ที่มีจำนวนไม่จำกัด (infinite) โดยที่ผมมีความตั้งใจจะให้รายละเอียดมากที่สุดเท่าที่จะเป็นไปได้เพื่อให้ผู้ที่เข้ามาอ่านสามารถทำความเข้าใจได้โดยง่าย และวางแผนไว้ว่าจะเขียนให้ได้หนึ่งเรื่องต่อสัปดาห์</p><p>หากผู้อ่านมีข้อสงสัยใด ๆ สามารถ comment ถามได้ด้านล่าง หรือสามารถส่ง message ถามได้ที่เพจ ผมจะพยายามตอบอย่างสุดความสามารถครับ ^^</p><h3>Reinforcement Learning คืออะไร ?</h3><blockquote>Reinforcement Learning เป็นด้านหนึ่งของ machine learning หรือ artificial intelligence(AI)ที่ใช้สำหรับพัฒนา robot (หรือ agent)ให้สามารถ<strong>ตัดสินใจภายใต้แต่ละสถานการณ์เพื่อนำมาซึ่งผลลัพธ์ที่ดีที่สุด</strong> <strong>โดยที่ robot นั้นจะไม่ได้ถูกบอกให้รู้ถึงกฎเกณฑ์ในการเลือกกระทำสิ่งใดภายใต้สถานการณ์ใดโดยตรง แต่ robot จะพยายามพัฒนาระบบความคิดการตัดสินใจเองจากการทดลองผิดลองถูกและเรียนรู้ไปเรื่อย ๆ </strong><br>(คำจำกัดความแบบง่าย ๆ โดยผมเอง ซึ่งอาจจะไม่ตรงนัก)</blockquote><p>ตัวอย่างเช่น ถ้าเราต้องการจะสร้าง robot ที่สามารถซื้อขายหุ้นให้ได้กำไรได้มากที่สุด robot จะต้องตัดสินใจที่จะซื้อ, ขาย หรือจะอยู่เฉย ๆ ภายใต้สถานการณ์ที่อาจจะเป็นราคาหุ้นย้อนหลัง 30 วัน, จำนวนหุ้นในพอร์ต, จำนวนเงินคงเหลือในพอร์ต ฯลฯ ซึ่งในปัจจุบันอาจจะมีการพัฒนาระบบเพื่อซื้อขายหุ้นอัตโนมัติขึ้นมาที่มีกฎเกณฑ์การตัดสินใจที่แน่นอนอยู่แล้ว เช่น ถ้าราคาวันนี้มากกว่าค่าเฉลี่ยย้อนหลัง 5 วันให้ซื้อ ถ้าราคาวันนี้น้อยว่าค่าเฉลี่ยย้อนหลัง 5 วันให้ขาย ฯลฯ แต่ robot ที่พัฒนาใต้แนวคิด reinforcement learning จะแตกต่างกันออกไป</p><p>reinforcement learning นั้นตั้งอยู่ภายใต้แนวคิดที่ว่า robot จะ<strong>เลือกกระทำสิ่งที่ทำให้ได้ผลลัพธ์มากที่สุด </strong>ถ้าเราเปรียบเทียบกับการเล่นหุ้น</p><ul><li>สมมติว่าวันนี้ในพอร์ตหุ้นมีหุ้น CPALL ในราคา 62 บาท (ซื้อมา 59 บาท) ซึ่งในวันนี้ราคานั้นลดต่ำกว่าค่าเฉลี่ยย้อนหลัง 5 วันไปแล้ว</li><li>robot ของเราจะต้องตัดสินใจว่าจะขายหรือจะถือต่อ</li><li>ถ้า robot ตัดสินใจจะขายเลย จะได้กำไรแน่ ๆ แล้ว 3 บาทต่อหุ้นหนึ่งตัว แต่ถ้ายังถือหุ้นตัวนั้นต่อไปราคาอาจจะขึ้นทำให้ได้กำไรมากกว่าที่ได้อยู่ก็ได้ เพราะฉะนั้นสิ่งที่ robot ตัวนี้ทำคือมันจะไม่ได้มองแค่สถานการณ์ในปัจจุบัน แต่คาดการณ์ไปถึงความน่าจะเป็นของสถานการณ์ต่อ ๆ ไปเพื่อเลือกการกระทำที่ดีที่สุด เช่น ถ้า robot คิดแล้วว่าในอนาคตราคาอาจจะกลับขึ้นมาอีกในเวลาอันใกล้ robot ก็จะไม่ขาย</li></ul><p>คำถามต่อมาคือแล้ว robot ของเราจะรู้ได้อย่างไร ว่าการกระทำใดจะทำให้ได้ผลลัพธ์มากที่สุด คำตอบของคำถามนี้เป็นหัวใจหลักของ reinforcement learning เลยก็ว่าได้ ก็คือ robot จะทำการ<strong>เรียนรู้จากการลองผิดลองถูกในสถานการณ์ในอดีตหรือระบบจำลองและพยายามที่จะพัฒนาระบบการตัดสินใจของตัวเองให้ดีขึ้นเรื่อย ๆ </strong>โดยที่อาจจะพัฒนาด้วยการพยายามสร้างแบบจำลองสถานการณ์ต่าง ๆ (model) เช่น ถ้าเราตัดสินใจแบบหนึ่งในสถานการณ์หนึ่งแล้ว ความน่าจะเป็นของสถานการณ์ต่อไปจะอย่างไร (model based) หรือ พยายามประมาณผลลัพธ์ที่จะได้หากเราตัดสินใจทำสิ่งหนึ่งในสถานการณ์หนึ่ง (model free) นอกจากนี้ยังมีวิธีอื่น ๆ ที่จะอธิบายในบทความถัด ๆ ไป</p><p>ทั้งนี้ทั้งนั้นจะเห็นได้ว่าการที่จะฝึกให้ robot สามารถตัดสินใจได้อย่างถูกต้องนั้น จะต้องสอนมันด้วยการให้ robot ได้ลองผิดลองถูกจำนวนมาก เช่น ถ้าเราต้องการสอนให้มันเล่นหุ้นเป็นนั้น อาจจะต้องสร้างระบบจำลองการซื้อขายหุ้นจากราคาย้อนหลัง ให้ robot ได้ลองผิดลองถูกไปเรื่อย ๆ</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fwww.youtube.com%2Fembed%2FUZHTNBMAfAA%3Ffeature%3Doembed&amp;display_name=YouTube&amp;url=https%3A%2F%2Fwww.youtube.com%2Fwatch%3Fv%3DUZHTNBMAfAA&amp;image=https%3A%2F%2Fi.ytimg.com%2Fvi%2FUZHTNBMAfAA%2Fhqdefault.jpg&amp;type=text%2Fhtml&amp;schema=youtube" width="854" height="480" frameborder="0" scrolling="no"><a href="https://medium.com/media/067122ece5592c880c43d66929348749/href">https://medium.com/media/067122ece5592c880c43d66929348749/href</a></iframe><p>ในปัจจุบัน reinforcement learning ถูกนำไปประยุกต์ใช้ในหลายด้านด้วยกัน เช่น Google นำไปพัฒนา AlphaGo ที่สามารถเล่นเกมโกะให้ชนะผู้เล่นระดับโลกหลายต่อหลายคนได้ หรือจะเป็น OpenAI ของ Elon Musk ก็นำไปพัฒนา OpenAI Five ให้สามารถเล่นเกม DotA2 กับผู้เล่นมืออาชีพได้อย่างสูสี นอกจากงานวิจัยด้านเกมเพื่อโชว์ความสามารถของ reinforcement learning แล้ว ยังมีคนนำไปประยุกต์เพื่อใช้ในด้านการเงิน เช่น นำไปพัฒนาระบบการจัดการ portfolio ให้ตัดสินใจเลือกอัตราส่วนของสินทรัพย์ high risk high return กับ low risk low return ใน portfolio ให้สามารถทำกำไร ภายใต้ความเสี่ยงที่ต่ำ (ตัวอย่าง <a href="https://arxiv.org/abs/1706.10059">arXiv:1706.10059</a>) นอกจากที่กล่าวมายังมีด้านอื่น ๆ อีกหลายด้านให้ตามกันต่อไป</p><h3><strong>ส่วนประกอบของ Reinforcement Learning</strong></h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/722/1*IIWzgOwKnClNSGRjrc5cLA.png" /><figcaption>แผนภาพแสดงส่วนประกอบและความสัมพันธ์กันของ reinforcement learning (รูปจากหนังสือ Reinforcement Learning: An Introduction, Sutton and Barto)</figcaption></figure><ul><li><strong>Agent</strong></li></ul><p>Agent หรือ robot คือระบบที่เราสร้างขึ้นมาเพื่อให้สามารถตัดสินใจภายใต้สถานการณ์ที่แตกต่างกัน เพื่อให้ได้รับ reward ที่มากที่สุดได้ ถ้ามองง่าย ๆ ก็คือ agent คือหุ่นยนต์ตัวนึงที่เราต้องการให้มันฝึกที่จะทำงานอะไรที่เราต้องการได้ ถ้าเปรียบเทียบเป็นเกมก็คือ<strong>ผู้เล่นเกม</strong> (ไม่ใช่ตัวละครในเกมนะ อย่าสับสน)</p><ul><li><strong>Action (a)</strong></li></ul><p>Action คือสิ่งที่ agent สามารถทำได้ พูดแล้วอาจจะงง ถ้าเราเปรียบเทียบเป็นเกมแล้ว action คือ<strong>ปุ่มกดของเกม</strong> เช่น agent สำหรับเล่นเกม pong จะมีaction จะประกอบด้วย “เลื่อนขึ้น” , “เลื่อนลง” , “ไม่กดอะไรเลย” ซึ่งในแต่ละปัญหานั้นจะมี set ของ action ที่แตกต่างกันไป</p><ul><li><strong>Environment &amp; State (s)</strong></li></ul><p>State คือสิ่งที่ agent รับรู้ เพื่อใช้ในการพิจารณาว่าควรจะทำสิ่งใด ถ้าปัญหาแตกต่างกันก็อาจจะทำให้มีรูปแบบของ state แตกต่างกัน เช่น ถ้าเราต้องการสร้าง agent ที่สามารถเล่นเกม pong ได้ state อาจจะเป็น frame <strong>หน้าจอของเกม </strong>ที่แสดงถึงตำแหน่งตัวละคร ตำแหน่งลูกบอล ฯลฯ หรือถ้าเราต้องการสร้าง agent ที่สามารถเล่นหุ้นได้ state อาจจะเป็นราคาหุ้นแต่ละตัวย้อนหลัง 10 วัน ถ้าเราต้องการสร้าง agent ที่เล่นหมากรุกได้ state อาจจะเป็นตำแหน่งของหมากรุกแต่ละตัวบนกระดาน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*zr1XtnzfSV_vt86yzMNjxA.png" /><figcaption>รูปตัวอย่างแสดงความสัมพันธ์ของ state ยกตัวอย่างจากรูปเช่น จาก State 0 (S0) นั้น ถ้าเราทำ action 0 (a0) จะมีโอกาสที่เราจะอยู่ state เดิม 50% และมีโอกาส 50% ที่จะเปลี่ยนไปเป็น state 2 (S2)</figcaption></figure><p>สำหรับผู้ที่มีพื้นฐานความรู้ machine learning มาแล้วอาจจะมองได้ว่า state คือ feature ใน supervised-learning แต่สิ่งที่ทำให้ state มีความแตกต่างกับ feature ก็คือ state แต่ละ state มีความสัมพันธ์กันทางความน่าจะเป็น เช่น จาก state นี้ ถ้าเราทำ action ใด ๆ จะมี probability ที่จะเปลี่ยนไป state ถัดไปเท่าใด หรือถ้าเรามองเป็นเกมหมากรุก จะเป็นว่าถ้าเราเดินหมากตัวนี้แล้ว โอกาสที่คู่ต่อสู้จะเดินหมากตัวไหนไปตรงไหนเป็นเท่าไหร่</p><ul><li><strong>Reward (R หรือ r)</strong></li></ul><p>Reward คือสิ่งที่ agent ต้องการที่จะ maximize หรือทำให้ได้รับมากที่สุด พูดให้ชัดก็คือ reward คือ goal ของปัญหา ถ้าเปรียบเทียบเป็นเกม reward คือ<strong>คะแนนในเกม </strong>เช่น ถ้าเราสร้าง agent สำหรับเล่นเกม pong แล้ว agent จะได้รับ reward +1 ถ้าสามารถตีลูกข้ามผู้ต่อสู้ได้ หรือจะได้รับ reward -1 ถ้าไม่สามารถรับลูกที่ตีจากคู่ต่อสู้ได้</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*m57J0d3bYcafEMFXBCA4ZA.png" /><figcaption>เปรียบเทียบเกม pong กับ reinforcement learning (ที่จริงเปรียบเทียบไม่ตรงนัก หากจะนำไปพัฒนาเป็น robot เล่นเกม pong จริง ๆ เช่น state ที่จริงแล้วจะเป็นการนำภาพสองเฟรมมาลบกัน เพื่อเห็นทิศทางของลูกบอล แต่เปรียบเทียบเช่นนี้เพื่อทำให้ง่ายแก่ผู้เริ่มต้น)</figcaption></figure><ul><li><strong>Policy (π)</strong></li></ul><p>Policy คือระบบการตัดสินใจของ agent ซึ่งจริง ๆ ก็คือตรรกะหรือกฎในการเลือก action เช่น “เราจะเลือก action ที่มีค่า expected reward มากที่สุด” แบบนี้คือ 1 policy , “เราจะเลือกแบบสุ่ม” อันนี้ก็คือ 1 policy หรือถ้าพูดให้ดูเป็นทางคณิตศาสตร์มากขึ้น policy คือ function ที่มี state เป็น input และมี output ออกมาเป็น action ที่เราต้องทำใน state นั้น ๆ ซึ่ง policy function นั้นจะถูกแทนด้วย <strong>π</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/554/1*pg_WWogFJMd0Dw1mgfCzZQ.png" /><figcaption>Policy Function จะเห็นได้ว่ารับ input เข้าไปเป็น state และจะให้ action ออกมา</figcaption></figure><ul><li><strong>Value Function</strong></li></ul><p>Value Function คือมูลค่าของ action หรือ state กล่าวคือถ้า action หรือ state ใด มีมูลค่าสูงแสดงว่าหากเราทำ action หรือ state นั้น แล้วเราจะมีโอกาสที่จะได้ reward ที่สูงตามมา การคำนวณ value function นั้นจะกล่าวโดยละเอียดต่อไป</p><p>เพื่อทำให้เข้าใจ value function มากขึ้น เราจะลองยกตัวอย่างจากเกม pong ให้ดูกัน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9fu0kC6VYQvCVQ7QdsL8pA.png" /><figcaption>เปรียบเทียบเฟรมหน้าจอสองหน้าจอ หรือสอง state</figcaption></figure><p>ถ้าเราเปรียบเทียบสอง state ในรูปด้านบน state ด้านซ้ายจะมี value ที่น้อยกว่าด้านขวา เนื่องจากเรากำลังจะรับลูกบอลที่อีกฝั่งตีมาไม่ได้ ซึ่งถ้ารับไม่ได้ reward จะถูกลด ไป 1</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/740/1*VCqip4IclO0jqeCB6LvOdQ.png" /><figcaption>เปรียบเทียบ value ของ action up และ down</figcaption></figure><p>จากรูปด้านซ้าย ถ้าเราเปรียบเทียบระหว่าง value ของ action up และ down ถ้าเราคิดด้วยสัญชาตญาณ จะพบว่า value ของ action up จะมีค่ามากกว่า value ของ action down เพราะว่าการกด up จะทำให้เราสามารถเลื่อนไปรับลูกได้ ทำให้ไม่เสีย reward แต่หากกด down จะทำให้เราไปคนละทางกับลูก รับลูกไม่ได้ reward จะติดลบ</p><p>เห็นได้ว่า value function เป็นตัวช่วยแนะนำให้รู้ว่าในแต่ละ state เราควรจะทำ action ใด ซึ่ง value function นี้จะถูกใช้ใน policy เพื่อตัดสินใจเลือก action ต่อไป ซึ่งปัญหาหลักของ reinforcement learning ก็คือการพยายามประมาณค่า value function ให้ใกล้เคียงกับความเป็นจริงที่สุด เช่นเกม pong ในรูปด้านบนนั้น เราจะทำอย่างไรให้ value ของ action up มากกว่า value ของ action down ให้ได้</p><h3>บทถัดไป</h3><p>ในเรื่องถัดไป เราจะกล่าวถึงปัญหาที่เป็นปัญหาพื้นฐานที่สุดของ reinforcement learning ที่มีชื่อว่า k-armed bandit ซึ่งเราจะเริ่มจากการที่ปัญหานั้นมีเพียงแค่ state เดียว และ value function นั้นไม่เปลี่ยนแปลงตามเวลา หรือปัญหานั้นเป็น stationary นั่นเอง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*t_IwbgPcc3Ar_AXQNYFL2g.png" /></figure><h3><strong>Disclaimer</strong></h3><p>บทความนี้เหมาะสำหรับศึกษาเท่านั้น ไม่เหมาะสำหรับการนำไปใช้เป็นแหล่งอ้างอิงทางวิชาการ ทั้งนี้ผู้เขียนได้เขียนตามความเข้าใจของตนเองที่ได้ศึกษามาและอาจจะมีข้อผิดพลาดอยู่บ้าง ผู้อ่านท่านใดพบเจอข้อผิดพลาดหรือมีข้อเสนอแนะกรุณา comment ได้ที่ด้านล่าง</p><h3>แหล่งที่มา</h3><p>เนื้อหาบทความนี้ส่วนใหญ่ สรุปมาจากหนังสือซึ่งถือได้ว่าเป็นคัมภีร์ไบเบิ้ลในด้านนี้เลยก็ว่าได้ หนังสือเล่มนั้นมีชื่อว่า An Introduction to Reinforcement Learning (2nd edition) โดยปรมาจารย์ด้านนี้สองท่านได้แก่ Richard S. Sutton และ Andrew G. Barto สามารถไปค้นคว้าเพื่อรายละเอียดเพิ่มเติมกันได้ครับ</p><h3>บทถัดไป</h3><p><a href="https://medium.com/asquarelab/ep-2-k-armed-bandit-part-1-31f04f0fd892">https://medium.com/asquarelab/ep-2-k-armed-bandit-part-1-31f04f0fd892</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=acfa9d42394c" width="1" height="1" alt=""><hr><p><a href="https://medium.com/asquarelab/ep-1-reinforcement-learning-%E0%B9%80%E0%B8%9A%E0%B8%B7%E0%B9%89%E0%B8%AD%E0%B8%87%E0%B8%95%E0%B9%89%E0%B8%99-acfa9d42394c">EP.1 — Reinforcement Learning เบื้องต้น</a> was originally published in <a href="https://medium.com/asquarelab">ASquareLab</a> on Medium, where people are continuing the conversation by highlighting and responding to this story.</p>]]></content:encoded>
        </item>
    </channel>
</rss>