โมเดลการพยากรณ์ (Supervised Learning)

Machine Learning for Business

Karolis Urbonas

Head of Machine Learning & Science, Amazon

Supervised vs. Unsupervised

Supervised models

การพยากรณ์ ประเภท/กลุ่ม ของผลลัพธ์ (เช่น การยกเลิกสมาชิก, การทุจริต, การซื้อสินค้า) - CLASSIFICATION

การพยากรณ์ ปริมาณ ของผลลัพธ์ (เช่น ยอดเงินที่ใช้, ชั่วโมงที่เล่น) - REGRESSION

Unsupervised models

Clustering - การจัดกลุ่มข้อมูลที่มีความคล้ายคลึงกัน (เช่น การแบ่งกลุ่มลูกค้าหรือตลาด)

ประเภทของ Supervised Learning

Classification - ตัวแปรเป้าหมายเป็นประเภท (categorical) (กลุ่มของผลลัพธ์) (classification)

ลูกค้าจะยกเลิกการสมัครสมาชิกหรือไม่?

ธุรกรรมนี้เป็นการทุจริตหรือไม่?

ผู้ใช้นี้มีอาชีพอะไร?

Regression - ตัวแปรเป้าหมายเป็นค่าต่อเนื่อง (continuous) (ปริมาณของผลลัพธ์) (regression)

จำนวนการซื้อสินค้าในเดือนถัดไป

จำนวนชั่วโมงเล่นเกมในปีถัดไป

ยอดเงินที่จ่ายค่าประกัน

การรวบรวมข้อมูล

ทีม machine learning ควรรวบรวมข้อมูลที่มีอยู่ทั้งหมดเพื่อพยากรณ์ผลลัพธ์ที่ต้องการให้แม่นยำที่สุด เช่น ในกรณีการพยากรณ์การซื้อสินค้า:

ข้อมูลลูกค้า

ประวัติการซื้อ, การยกเลิก, มูลค่าคำสั่งซื้อ

ประวัติการเรียกดู, ล็อก, ข้อผิดพลาด

รายละเอียดอุปกรณ์และตำแหน่งที่ตั้ง

ความถี่การใช้งานสินค้า/บริการ

และอื่นๆ อีกมากมาย...

ตัวอย่าง Classification

การจำแนกประเภท - ข้อมูล

Classification - การฝึกโมเดล

การจำแนกประเภท - การฝึกโมเดล

Classification - การเรียนรู้

การจำแนกประเภท - การเรียนรู้

Classification - ข้อมูลใหม่

การจำแนกประเภท - ข้อมูลใหม่

Classification - การพยากรณ์

การจำแนกประเภท - การพยากรณ์

ตัวอย่าง Regression

regression - ข้อมูล

Regression - การฝึกโมเดล

regression - การฝึกโมเดล

Regression - การเรียนรู้

regression - การเรียนรู้

Regression - ข้อมูลใหม่

regression - ข้อมูลใหม่

Regression - การพยากรณ์

regression - การพยากรณ์

Regression - ผลการพยากรณ์จริง

regression - ผลการพยากรณ์จริง

มาฝึกกันเถอะ!

Machine Learning for Business