การวิเคราะห์เชิงพยากรณ์

ความรู้พื้นฐานด้านข้อมูล (Data Literacy)

Carl Rosseel

Head of Business Intelligence Curriculum, DataCamp

ภาพรวมการวิเคราะห์

ภาพรวมการวิเคราะห์

ความรู้พื้นฐานด้านข้อมูล (Data Literacy)

ทำไมต้องใช้การวิเคราะห์เชิงพยากรณ์?

  • คาดการณ์ผลลัพธ์ที่มีแนวโน้มเกิดขึ้นมากที่สุด
  • พยากรณ์กระบวนการหรือลำดับเหตุการณ์
  • ประมาณค่าที่ไม่ทราบจากข้อมูลที่มีอยู่

 

ข้อควรระวัง: การพยากรณ์มีความไม่แน่นอนเสมอ

ขยายภาพการวิเคราะห์เชิงพยากรณ์

ความรู้พื้นฐานด้านข้อมูล (Data Literacy)

เทคนิคที่ใช้บ่อย

  • โมเดล Machine Learning
    • แบบการจำแนกประเภท
      • พยากรณ์การยกเลิกการสมัครสมาชิก
    • แบบการถดถอย
      • พยากรณ์ราคาบ้านตามลักษณะของย่าน
  • การพยากรณ์อนุกรมเวลา
    • พยากรณ์รายได้จากการขายในช่วงเวลาต่างๆ
  • การวิเคราะห์ข้อความเชิงพยากรณ์
    • พยากรณ์ว่าอีเมลเป็นสแปมหรือไม่

ตัวอย่างอนุกรมเวลา

ความรู้พื้นฐานด้านข้อมูล (Data Literacy)

การสร้างโมเดลเชิงพยากรณ์

ขั้นตอนการสร้างโมเดลเชิงพยากรณ์

  • ข้อมูลจะถูกแบ่งเป็นชุดฝึกและชุดทดสอบสำหรับสร้างโมเดลเชิงพยากรณ์
  • ผลการพยากรณ์จะถูกตีความและประเมินบนชุดทดสอบ โดยใช้เมตริกที่กำหนดไว้ล่วงหน้า เช่น ความแม่นยำ (เปอร์เซ็นต์ของการพยากรณ์ที่ถูกต้อง)
ความรู้พื้นฐานด้านข้อมูล (Data Literacy)

กรณีศึกษา: ผู้ชนะฟุตบอลโลก

ทีมใดมีโอกาสชนะฟุตบอลโลกครั้งถัดไปมากที่สุด?

  • เลือกตัวแปรที่เกี่ยวข้อง เช่น คะแนนทีม คะแนนผู้เล่น อันดับ และความยากของการแข่งขัน
  • สร้างโมเดลเชิงพยากรณ์เพื่อคำนวณความน่าจะเป็นในการชนะหรือผ่านเข้าสู่รอบต่างๆ

 

นำข้อมูลเชิงลึกมาพยากรณ์ความน่าจะเป็นในการชนะของแต่ละประเทศ

ถ้วยรางวัลและลูกบอลฟุตบอลโลก

ความรู้พื้นฐานด้านข้อมูล (Data Literacy)

มาฝึกกันเถอะ!

ความรู้พื้นฐานด้านข้อมูล (Data Literacy)

Preparing Video For Download...