Page 7 - 6.Machine Learning for Data Science

หลักสูตรการวิเคราะหอินเทอรเน็ตของทุกสรรพสิ่งเบื้องตนดวย Hadoop | 6

แบบอางอิงตัวแปรคือการวิเคราะหการถดถอยเชิงเสน (linear regression นอกจากนั้นยังมีเทคนิคการวิเคราะหแบบอื่นๆ ที่

จัดเปนรูปแบบการวิเคราะหเชิงทำนายแบบอางอิงตัวแปรที่ถูกนำใชในการวิเคราะหขอมูลดังเชน

 Logistic Regression

 Linear Discriminant Analysis

 Naive Bayes

 Artificial Neural Networks

1.1.2. โมเดลการวิเคราะหเชิงทำนายแบบอิสระ

โมเดลนี้จะมีลักษณะตรงขามกับแบบอางอิงตัวแปรนั่นคือ โมเดลนี้จะไมขึ้นกับขอบเขตของตัวแปรสำหรับการ

เรียนรูของการวิเคราะหเชิงทำนายแบบอิสระสามารถเรียนรูไดอยางอิสระจากขอมูลฝกสอน (training data โดยที่ขอมูลนั้น

จะเหมาะสม หรือพอดีกับ mapping function ที่สรางขึ้นมา ตัวอยางพื้นฐานของการทำนาย ดวยการวิเคราะหเชิงทำนาย
แบบอิสระคือ เพื่อนบานใกลสุด (k-nearest neighbor ซึ่งทำนายโดยการหารูปแบบของระยะทางที่คลายคลึงกันจากขอมูล

ฝกสอน นอกจากเทคนิคเพื่อนบานใกลสุดดังกลาวขางตนแลวเทคนิคอื่นๆ สำหรับการวิเคราะหเชิงทำนายแบบอิสระที่นิยมใช

กันก็คือแผนผังตนไม (decision tree , Support Vector Machine (SVM จุดเดนที่สำคัญ ของโมเดลการวิเคราะหเชิง
ทำนายอิสระคือสามารถใชไดดีกับรูปแบบการทำงานที่มีฟงกชันจำนวนมากไดที่มีโครงสรางไมชัดเจน ทั้งยังคงมีความแมนยำ

สูงในการทำนาย

นอกจากรูปแบบหลักสองรูปแบบที่ไดกลาวถึงแลว ยังมีอีกหนึ่งรูปแบบที่นาสนใจคือ โมเดลการวิเคราะหแบบกึ่ง

พารามิเตอร (semi-parametric ซึ่งเปนรูปแบบที่อยูระหวางกลาง ระหวางโมเดลการวิเคราะหแบบอางอิงตัวแปร และโมเดล

การวิเคราะหแบบอิสระ โดยโมเดลแบบกึ่งพารามิเตอรจะมีองคประกอบทั้งแบบจำกัด (finite และแบบไมจำกัด (infinite ซึ่ง
จะทำลายขอจำกัดของโมเดลการวิเคราะหแบบอางอิงตัวแปรและ โมเดลการวิเคราะหแบบอิสระ โดยเทคนิคที่สำคัญของ

โมเดลแบบกึ่งพารามิเตอร คือการทำใหเรียบ (smoothing และแกนกลาง (kernels โดยตัวอยางโมเดลแบบกึ่งพารามิเตอรที่

เปนที่รูจัก คือ Cox proprotional hazards

1.3 ประโยชนของการวิเคราะหเชิงทำนาย

การวิเคราะหเชิงทำนายมีประโยชนในการชวยธุรกิจในพัฒนาสินคา บริการ และประสบการณที่ดีใหแกลูกคา โดย
การศึกษาพฤติกรรมของลูกคาที่มีศักยภาพผานชองทางสื่อสังคมออนไลน (social media ดังในปจจุบันจะพบวาเมื่อผูใชเปด
หนาเพจเฟซบุกของตนเองจะพบกับขาวสารที่ผูใชทานนั้นๆ มีความสนใจ รวมถึงการโฆษณาสินคา บริการที่มีแนวโนมวาผูใช

ทานนั้นๆ จะใชบริการอยางอัตโนมัติซึ่งเกิดจากการศึกษาพฤติกรรมของผูบริโภคโดยเฟซบุก การศึกษากิจกรรมบนโลก
ออนไลนจากผูเขาเยี่ยมชมเว็บไซต และทำนายความตองการในอนาคตได โดยขอมูลที่รวบรวมไวจะถูกคำนวณและวิเคราะห

ดวยคุณลักษณะที่สำคัญ (key features โดยที่คุณลักษณะหมายถึง รูปแบบที่จำเปน และ องคประกอบของขอมูล อยางไรก็ดี
คุณลักษณะประการก็ไมมีประโยชนในการวิเคราะห ดังนั้นในการวิเคราะหเชิงทำนายเพื่อใหเกิดประโยชนสูงสุดจึงตองทำการ
คัดเลือกเฉพาะคุณลักษณะเฉพาะที่สำคัญ นอกจากนี้สารสนเทศอาจมีองคประกอบที่เกี่ยวเนื่องกับบางสิ่งโดยไมขึ้นกับโมเดล
อีกดวย

INTRODUCTION TO IOT ANALYTICS USING HADOOP สถาบันสหวิทยาการดิจิทัลและหุนยนต มหาวิทยาลัยเทคโนโลยีราชมงคลพระนคร