แมชชีนเลิร์นนิง — การเรียนรู้แบบมีผู้สอน, ไม่มีผู้สอน และอัลกอริทึมสำคัญ

แมชชีนเลิร์นนิงคือวิธีใช้ข้อมูลเพื่อพยากรณ์หรือค้นหารูปแบบ โดยไม่ต้องเขียนกฎทุกข้อด้วยมือ ใน การเรียนรู้แบบมีผู้สอน ข้อมูลฝึกจะมีคำตอบที่ถูกต้องรวมอยู่ด้วย ส่วนใน การเรียนรู้แบบไม่มีผู้สอน จะไม่มีคำตอบนั้น เป้าหมายจึงเป็นการหาโครงสร้าง เช่น การจัดกลุ่มหรือทิศทางหลักของความแปรผัน

นี่คือแนวคิดหลักของพื้นฐานแมชชีนเลิร์นนิงส่วนใหญ่ คุณเริ่มจากข้อมูล เลือกโมเดล ฝึกโมเดลด้วยตัวอย่าง แล้วตรวจสอบว่ามันทำงานได้กับข้อมูลใหม่ ไม่ใช่แค่กับข้อมูลที่เคยเห็นแล้วเท่านั้น

แมชชีนเลิร์นนิงทำอะไรได้บ้าง

โมเดลแมชชีนเลิร์นนิงทำหน้าที่จับคู่ข้อมูลนำเข้าไปยังผลลัพธ์หรือรูปแบบ ข้อมูลนำเข้าอาจเป็นขนาดบ้าน คะแนนสอบ พฤติกรรมลูกค้า หรือค่าพิกเซลในภาพก็ได้ ส่วนผลลัพธ์ขึ้นอยู่กับงานที่ต้องการทำ เช่น

• พยากรณ์ตัวเลข เช่น ราคา
• ทำนายป้ายกำกับ เช่น สแปมหรือไม่ใช่สแปม
• จัดกลุ่มสิ่งที่คล้ายกันโดยไม่มีป้ายกำกับ
• จัดอันดับหรือแนะนำตัวเลือกที่น่าจะเหมาะสม

สิ่งที่ทำให้สิ่งนี้เรียกว่า "การเรียนรู้" คือพารามิเตอร์ของโมเดลถูกปรับจากข้อมูล แทนที่จะถูกกำหนดตายตัวทั้งหมดโดยโปรแกรมเมอร์

การเรียนรู้แบบมีผู้สอน vs การเรียนรู้แบบไม่มีผู้สอน

การเรียนรู้แบบมีผู้สอน: พยากรณ์เป้าหมายที่รู้ล่วงหน้า

การเรียนรู้แบบมีผู้สอนใช้ตัวอย่างในรูป $(x, y)$ โดยที่ $x$ คือข้อมูลนำเข้า และ $y$ คือเป้าหมายที่ทราบอยู่แล้ว

ถ้า $y$ เป็นค่าตัวเลข งานนี้มักเรียกว่า regression ถ้า $y$ เป็นหมวดหมู่ งานนี้มักเรียกว่า classification

อัลกอริทึมแบบมีผู้สอนที่พบบ่อย ได้แก่ linear regression, logistic regression, decision trees, random forests, support vector machines และ neural networks ไม่มีวิธีใดดีที่สุดในทุกสถานการณ์ การเลือกที่เหมาะสมขึ้นอยู่กับขนาดข้อมูล ระดับสัญญาณรบกวน ประเภทของฟีเจอร์ และระดับความสามารถในการอธิบายผลที่คุณต้องการ

การเรียนรู้แบบไม่มีผู้สอน: หาโครงสร้างโดยไม่มีป้ายกำกับ

การเรียนรู้แบบไม่มีผู้สอนใช้ข้อมูลนำเข้า $x$ โดยไม่มีป้ายกำกับเป้าหมาย

ในกรณีนี้ เป้าหมายมักเป็นการค้นหาโครงสร้างที่มีอยู่แล้วในข้อมูล วิธีจัดกลุ่มอย่าง k-means พยายามรวมข้อมูลที่คล้ายกันให้อยู่ในกลุ่มเดียวกัน ส่วนวิธีลดมิติอย่าง principal component analysis พยายามสรุปความแปรผันด้วยจำนวนทิศทางที่น้อยลง

การเรียนรู้แบบไม่มีผู้สอนมีประโยชน์สำหรับการสำรวจข้อมูล การบีบอัด การตรวจจับความผิดปกติ หรือการเตรียมข้อมูลล่วงหน้า ผลลัพธ์ของมันขึ้นอยู่มากกับวิธีแทนข้อมูลและนิยามของความคล้ายที่ฝังอยู่ในวิธีนั้น

แบบจำลองความคิดอย่างง่าย

ลองมองแมชชีนเลิร์นนิงว่าเป็นการฟิตเส้นโค้งหรือฟิตรูปแบบภายใต้ความไม่แน่นอน

คุณเลือกตระกูลของโมเดล เช่น เส้นตรง decision trees หรือ neural networks แบบหลายชั้น จากนั้นขั้นตอนการฝึกจะปรับโมเดลให้คำพยากรณ์สอดคล้องกับข้อมูลฝึกให้มากที่สุดตาม loss function ถ้าโมเดลมีความสามารถในการ generalize ที่ดี มันก็ควรทำงานได้ดีกับข้อมูลใหม่ที่ไม่เคยเห็นมาก่อนด้วย

เงื่อนไขสุดท้ายนั้นสำคัญมาก โมเดลที่แค่จำชุดข้อมูลฝึกได้ มักไม่ค่อยมีประโยชน์ในทางปฏิบัติ

ตัวอย่างคำนวณ: พยากรณ์ค่าเช่าด้วย Linear Regression

สมมติว่าคุณต้องการพยากรณ์ค่าเช่าอพาร์ตเมนต์จากพื้นที่ใช้สอย โมเดลแบบมีผู้สอนอย่างง่ายคือ

$$\hat{y} = b_0 + b_1x$$

โดยที่ $x$ คือพื้นที่, $\hat{y}$ คือค่าเช่าที่พยากรณ์, $b_0$ คือจุดตัดแกน และ $b_1$ คือความชัน

สมมติว่าโมเดลที่ฟิตแล้วได้ว่า

$$\hat{y} = 500 + 2x$$

โดยวัดค่าเช่าเป็นดอลลาร์ และวัดพื้นที่เป็นตารางฟุต

ถ้าอพาร์ตเมนต์มี $x = 700$ ค่าพยากรณ์คือ

$$\hat{y} = 500 + 2(700) = 1900$$

ดังนั้นโมเดลพยากรณ์ว่าค่าเช่าจะเป็น $1900$

มีรายละเอียดสำคัญอยู่สามข้อ โมเดลนี้เรียนรู้จากตัวอย่างที่มีป้ายกำกับของพื้นที่และค่าเช่า ค่าพยากรณ์เป็นเพียงค่าประมาณ ไม่ใช่การรับประกัน และสูตรนี้จะสมเหตุสมผลก็ต่อเมื่อความสัมพันธ์เชิงเส้นโดยประมาณเป็นสมมติฐานที่ใช้ได้ในช่วงค่าที่คุณสนใจ

ตัวอย่างนี้ตั้งใจให้เรียบง่าย แต่ก็สะท้อนวงจรหลักของการเรียนรู้แบบมีผู้สอน นั่นคือใช้ข้อมูลที่มีป้ายกำกับ ฟิตพารามิเตอร์ และพยากรณ์เป้าหมายสำหรับข้อมูลนำเข้าใหม่

อัลกอริทึมแมชชีนเลิร์นนิงสำคัญและควรใช้เมื่อไร

Linear Regression

ใช้เมื่อเป้าหมายคือการพยากรณ์ค่าตัวเลข และการประมาณด้วยเส้นตรงเป็นโมเดลเริ่มต้นที่สมเหตุสมผล

Logistic Regression

ใช้สำหรับงาน classification เมื่อคุณต้องการโมเดลตั้งต้นที่ค่อนข้างเรียบง่ายและอธิบายได้ สำหรับการทำนายหมวดหมู่ เช่น ใช่หรือไม่ใช่

Decision Trees และ Random Forests

ใช้เมื่อความสัมพันธ์ไม่เป็นเชิงเส้นหรือมีปฏิสัมพันธ์ระหว่างตัวแปร โดยเฉพาะกับข้อมูลแบบตาราง Random forests มักแลกความสามารถในการอธิบายบางส่วนกับความเสถียรในการพยากรณ์ที่ดีกว่า

K-Means Clustering

ใช้ในงานการเรียนรู้แบบไม่มีผู้สอนเพื่อจัดข้อมูลออกเป็น $k$ กลุ่ม วิธีนี้ทำงานได้ดีที่สุดเมื่อแนวคิดเรื่องจุดศูนย์กลางของกลุ่มมีความหมายสำหรับฟีเจอร์ที่คุณใช้

Neural Networks

ใช้เมื่อความสัมพันธ์ระหว่างข้อมูลนำเข้าและผลลัพธ์ซับซ้อนมาก โดยเฉพาะในงานด้านภาพ เสียงพูด และภาษา โมเดลเหล่านี้มักต้องใช้ข้อมูลและการปรับแต่งมากกว่าโมเดลที่ง่ายกว่า

ข้อผิดพลาดที่พบบ่อยในพื้นฐานแมชชีนเลิร์นนิง

สับสนระหว่างการพยากรณ์กับการอธิบาย

โมเดลอาจพยากรณ์ได้ดี แต่ก็ยังอธิบายสาเหตุที่แท้จริงของรูปแบบนั้นไม่ได้

มองข้ามความต่างระหว่างการฝึกกับการทดสอบ

ความแม่นยำสูงบนข้อมูลฝึกไม่ได้แปลว่าโมเดลจะทำงานได้ดีกับข้อมูลใหม่ ต้องตรวจสอบความสามารถในการ generalize ด้วยข้อมูลที่แยกออกมาต่างหาก

ใช้ตัวชี้วัดผิด

Accuracy อาจทำให้เข้าใจผิดในปัญหา classification ที่ข้อมูลไม่สมดุล สำหรับบางงาน precision, recall, mean absolute error หรือตัวชี้วัดอื่นอาจสำคัญกว่า

คิดว่าชื่ออัลกอริทึมเป็นหลักประกันคุณภาพ

คำว่า "neural network" หรือ "random forest" ไม่ได้เป็นการรับประกันคุณภาพ คุณภาพของข้อมูล การออกแบบฟีเจอร์ การประเมินผล และการตั้งกรอบปัญหา สำคัญพอ ๆ กับชื่ออัลกอริทึม หรืออาจสำคัญกว่า

เมื่อไรแมชชีนเลิร์นนิงจึงมีประโยชน์

แมชชีนเลิร์นนิงมีประโยชน์เมื่อรูปแบบซับซ้อนเกินกว่าจะเขียนเป็นกฎตายตัวเพียงไม่กี่ข้อได้ แต่ก็ยังมีข้อมูลมากพอให้เรียนรู้จากตัวอย่าง การใช้งานที่พบบ่อย ได้แก่ ระบบแนะนำ การตรวจจับการทุจริต เครื่องมือช่วยวิเคราะห์ภาพทางการแพทย์ การจัดอันดับ การพยากรณ์ และการจำแนกเอกสาร

อย่างไรก็ตาม มันไม่ใช่เครื่องมือที่เหมาะเสมอไป ถ้ากฎนั้นเรียบง่าย คงที่ และทราบครบถ้วนอยู่แล้ว สูตรธรรมดาหรือโปรแกรมเชิงกำหนดอาจเป็นทางเลือกที่ดีกว่า

ลองทำโจทย์ที่คล้ายกัน

หยิบชุดข้อมูลเล็ก ๆ มาหนึ่งชุด แล้วถามสองคำถามว่า "ข้อมูลนำเข้าคืออะไร?" และ "เป้าหมายคืออะไร?" ถ้าคุณตอบได้ทั้งสองข้อ ให้ลองใช้โมเดลแบบมีผู้สอน เช่น linear regression หรือ classification แต่ถ้าตอบไม่ได้ ให้ลองสำรวจว่าข้อมูลนั้นรวมตัวเป็นกลุ่มตามธรรมชาติหรือไม่ด้วยวิธีแบบไม่มีผู้สอน

ถ้าคุณอยากก้าวต่อไปอีกขั้น ให้ลองแก้ปัญหาคล้ายกันด้วยโมเดลง่าย ๆ ก่อน แล้วค่อยเปรียบเทียบกับโมเดลที่ยืดหยุ่นกว่า วิธีนี้มักช่วยให้เรียนรู้ได้ดีกว่าการกระโดดไปใช้อัลกอริทึมที่ซับซ้อนที่สุดทันที