Page 9 - 6.Machine Learning for Data Science

หลักสูตรการวิเคราะหอินเทอรเน็ตของทุกสรรพสิ่งเบื้องตนดวย Hadoop | 8

ขอแตกตางที่สำคัญระหวางระเบียบวิธีแบบฝงตัว และระเบียบวิธีแบบตัวกรอง คือระเบียบวิธีแบบฝงตัวจะตองมี

การดำเนินการวนซ้ำซึ่งประสิทธิภาพของโมเดลจะมีผลตอการเลือกพารามิเตอร และระเบียบวิธีแบบหอหุมจะเนนที่
ประสิทธิภาพโมเดลจากคุณลักษณะที่ถูกเลือก

โดยสรุปเซตของคุณลักษณะที่เหมาะสมควรจะประกอบดวย ตัวแปรอินพุตที่นอยที่สุดที่สามารถระบุพฤติกรรม
ของระบบ หรือปรากฎการณที่มีตัวแปรซ้ำซอนต่ำที่สุดที่สามารถใหสารสนเทศที่มากที่สุดได โมเดลที่มีความแมนยำ ประหยัด
ใชงานงาย และงายตอการแปลงจะชวยใหสรางเซตของตัวแปรอินพุตที่เหมาะสม สำหรับวิธีการเลือกคุณลักษณะระหวางการ

วิเคราะห คือเมื่อจำนวนของคุณลักษณะในเซตขอมูลมีจำนวนมากมักจะเลือกใชระเบียบวิธีแบบตัวกรองเพื่อกรองคุณลักษณะ
ที่ไมจำเปนออก การคัดเลือกคุณลักษณะเฉพาะที่จำเปนมักจะดำเนินการโดยระเบียบวิธีแบบหอหุม

1.5 สรุป

ในบทนี้ไดแนะนำถึงนิยามของการวิเคราะหเชิงทำนาย รูปแบบโมเดลของการวิเคราะหเชิงทำนาย 3 รูปแบบ คือ
โมเดลการวิเคราะหเชิงทำนายแบบอางอิงตัวแปร โมเดลการวิเคราะหเชิงทำนายแบบไมอางอิงตัวแปร และโมเดลการวิเคราะห

เชิงทำนายแบบกึ่งพารามิเตอร ความสำคัญของการวิเคราะหเชิงทำนาย ความสำคัญของการคัดเลือกคุณลักษณะเฉพาะที่จะ

นำมาใชในการสรางโมเดลการวิเคราะหโดยมีระเบียบวิธีหรือเทคนิค 3 รูปแบบ คือ ระเบียบวิธีแบบตัวกรอง ระเบียบวิธีแบบ
หอหุม และระเบียบวิธีแบบฝงตัว ซึ่งแตละวิธีจะมีขอไดเปรียบ-เสียเปรียบ และความเหมาะสมในการใชงานแตกตางกันไป

สำหรับผูศึกษาที่ตองการศึกษาเพิ่มเติมในรายละเอียดในการทำนายเหตุการณสามารถศึกษาไดตามคำสำคัญ
ดังตอไปนี้ Logistic Regression, Linear Discriminant Analysis (LDA , Naïve Bayes, Artificial Neural Network (ANN ,

Decision Tree, Support Vector Machine (SVM , Cox proportional hazards, feature selection method

INTRODUCTION TO IOT ANALYTICS USING HADOOP สถาบันสหวิทยาการดิจิทัลและหุนยนต มหาวิทยาลัยเทคโนโลยีราชมงคลพระนคร