ส่วนที่ 1: โมเดล Linear Regression (ถดถอยเชิงเส้น)
Linear Regression หาเส้นตรงที่ดีที่สุดเพื่อทำนายค่าต่อเนื่องผ่านจุดข้อมูล เราจะสร้างโมเดลสถานการณ์ธุรกิจง่ายๆ ที่ค่าใช้จ่ายโฆษณา (X) ทำนายรายได้จากการขาย (Y) แต่ละจุดข้อมูลแทนข้อมูลธุรกิจหนึ่งเดือน
ขั้นตอนที่ 1: ตั้งค่าข้อมูลตัวอย่าง
สร้างชุดข้อมูลที่สมจริงซึ่งแสดงความสัมพันธ์เชิงเส้นที่ชัดเจนระหว่างอินพุต (ค่าใช้จ่ายโฆษณาเป็นพัน) และเอาต์พุต (รายได้จากการขายเป็นพัน)
ขั้นตอนที่ 2: สร้างสูตรทำนาย
ตั้งค่าพารามิเตอร์ "ข้อหมุน" ที่โมเดลจะปรับเพื่อหาเส้นที่ดีที่สุด ใน Linear Regression เราต้องการสองพารามิเตอร์:
- Intercept (b0): จุดที่เส้นตัดแกน Y (ยอดขายพื้นฐานเมื่อโฆษณา $0)
- Slope (b1): ยอดขายเพิ่มขึ้นเท่าไรสำหรับการเพิ่มค่าโฆษณา $1,000
ตั้งค่าพารามิเตอร์โมเดลในเซลล์แยกต่างหาก:
Predicted Y = b0 + b1 * X
- Intercept (b0) - ค่าเริ่มต้น 0
- Slope (b1) - ค่าเริ่มต้น 1
เราจะใช้สมการเชิงเส้นนี้เพื่อทำนายยอดขายจากค่าใช้จ่ายโฆษณา นี่คือหัวใจของโมเดล รับจำนวนเงินโฆษณาและประมาณการว่ายอดขายควรเป็นเท่าไหร่
ความหมายทางคณิตศาสตร์:
- ถ้า b0 = 0.5 และ b1 = 2 การใช้จ่าย $3k โฆษณาจะทำนาย: 0.5 + 2*3 = $6.5k ยอดขาย
- โมเดลเรียนรู้ค่าที่ดีที่สุดสำหรับ b0 และ b1 จากข้อมูล
ขั้นตอนที่ 3: คำนวณ Residuals และ Errors
วัดว่าการทำนายของเราผิดมากน้อยแค่ไหน นี่สำคัญเพราะโมเดลเรียนรู้โดยพยายามลดข้อผิดพลาดเหล่านี้
- Residuals: ความแตกต่างระหว่างยอดขายจริงและยอดขายที่ทำนายในแต่ละเดือน
- Squared Errors: Residuals ยกกำลังสอง (ทำให้ข้อผิดพลาดทั้งหมดเป็นบวก และลงโทษข้อผิดพลาดใหญ่กว่า)
ขั้นตอนที่ 4: คำนวณเมตริกข้อผิดพลาด
สร้างการวัดประสิทธิภาพโมเดลที่มีความหมายทางธุรกิจ เมตริกเหล่านี้ช่วยให้เข้าใจว่าโมเดลพอดีสำหรับการใช้งานจริงหรือไม่
ตั้งค่ามetric สำคัญในพื้นที่ที่กำหนด:
- Sum of Squared Errors (SSE): ข้อผิดพลาดรวมทุกการทำนาย - ยิ่งน้อยยิ่งดี
- Root Mean Squared Error (RMSE): ข้อผิดพลาดเฉลี่ยในหน่วยดุล ($000s) - อธิบายง่ายกว่า
- R-Squared: เปอร์เซ็นต์ของการเปลี่ยนแปลงยอดขายที่อธิบายได้จากโฆษณา (0-100% ยิ่งสูงยิ่งดี)
- Mean Absolute Error (MAE): ข้อผิดพลาดเฉลี่ยแบบสัมบูรณ์ - ไวต่อค่าผิดปกติน้อยกว่า RMSE
ขั้นตอนที่ 5: ใช้ Solver เพื่อเพิ่มประสิทธิภาพพารามิเตอร์
ให้ Excel หาค่าที่ดีที่สุดสำหรับ Intercept และ Slope ที่ลดข้อผิดพลาดการทำนายให้น้อยที่สุด
- ไปที่แท็บ Data >> เลือก Solver
- Set Objective: เซลล์ SSE
- To: Min
- By Changing Variable Cells: เซลล์พารามิเตอร์ของคุณ
- คลิก Solve
ขั้นตอนที่ 6: สร้างการแสดงภาพ
การตรวจสอบโมเดลด้วยภาพทำให้เข้าใจง่ายขึ้น มาดูเส้นทำนายที่ผ่านใกล้จุดข้อมูลส่วนใหญ่
- เลือกคอลัมน์ Advertising และ Sales
- ไปที่แท็บ Insert >> จาก Charts >> เลือก Scatter Plot
- เพิ่ม Series สำหรับค่าที่ทำนายได้ และจัดรูปแบบเป็นเส้น
ส่วนที่ 2: โมเดล Logistic Regression (ถดถอยโลจิสติก)
Logistic Regression ทำนายความน่าจะเป็นสำหรับการตัดสินใจใช่/ไม่ใช่ ต่างจาก Linear Regression ที่ทำนายตัวเลขที่แน่นอน Logistic Regression ทำนายความเป็นไปได้ที่สิ่งใดจะเกิดขึ้น (0-100%)
ขั้นตอนที่ 1: เตรียมข้อมูล Binary Classification
ลองสร้างโมเดลพฤติกรรมการซื้อของลูกค้า จากระดับรายได้ของลูกค้า (X) เราต้องการทำนายว่าพวกเขาจะซื้อผลิตภัณฑ์พรีเมียม (1) หรือไม่ (0) นี่เป็นเรื่องปกติสำหรับการกำหนดเป้าหมายการตลาด การวินิจฉัยทางการแพทย์ หรือการตัดสินใจแบบทวิภาคใดๆ
ขั้นตอนที่ 2: สร้างสูตรการทำนาย Logistic
เริ่มต้นพารามิเตอร์ Logistic Model:
ตั้งค่าพารามิเตอร์สำหรับฟังก์ชัน Logistic ต่างจาก Linear Regression พารามิเตอร์เหล่านี้ทำงานผ่านการแปลงทางคณิตศาสตร์ที่ซับซ้อนกว่า (Sigmoid function)
- Intercept (b0): เลื่อนเกณฑ์ซ้าย/ขวา (จุดที่ความน่าจะเป็น 50%)
- Slope (b1): ควบคุมความชันของการเปลี่ยนจาก "ไม่น่าจะเป็น" สู่ "น่าจะเป็น"
- ค่าเริ่มต้น: เริ่มด้วยการเดาสมเหตุสมผล Solver จะเพิ่มประสิทธิภาพให้
สูตรการทำนาย Logistic:
Probability = 1 / (1 + e^(-(b0 + b1×X)))
ขั้นตอนที่ 3: คำนวณ Log-Likelihood
วัดว่าการทำนายความน่าจะเป็นของเราตรงกับผลลัพธ์จริงมากน้อยแค่ไหน นี่ซับซ้อนกว่าข้อผิดพลาดทั่วไปเพราะเราจัดการกับความน่าจะเป็น ไม่ใช่ค่าที่แน่นอน
ขั้นตอนที่ 4: ตั้งค่าเมตริกโมเดล Logistic
สร้างการวัดประสิทธิภาพการจัดกลุ่มที่เกี่ยวข้องกับธุรกิจ เมตริกเหล่านี้ช่วยตัดสินใจว่าโมเดลพอดีสำหรับตัดสินใจทางธุรกิจจริงหรือไม่
ขั้นตอนที่ 5: เพิ่มประสิทธิภาพโมเดล Logistic ด้วย Solver
หาค่าพารามิเตอร์ที่เข้ากับรูปแบบความน่าจะเป็นในข้อมูลได้ดีที่สุด Solver ลด Negative Log-Likelihood ซึ่งทำให้ความน่าจะเป็นของการสังเกตข้อมูลจริงสูงสุด
การแก้ไขปัญหาทั่วไป
- Solver ไม่収斂 (收敛): ลองค่าเริ่มต้นที่ต่างกันหรือเพิ่มจำนวนรอบการทำซ้ำ
- R-squared เป็นลบ: ตรวจสอบข้อผิดพลาดการป้อนข้อมูลหรือรายละเอียดโมเดล
- Perfect separation ใน Logistic: ลดค่าคุณลักษณะหรือเพิ่ม regularization
สรุป
บทช่วยสอนนี้แสดงขั้นตอนทีละขั้นในการสร้างโมเดล Machine Learning โดยตรงใน Excel แม้ Excel จะมีข้อจำกัดเมื่อเทียบกับเครื่องมือ ML เฉพาะทาง แต่ก็ให้ความโปร่งใสและเข้าถึงง่ายสำหรับการเข้าใจกลไกของโมเดล ด้วยการใช้ Solver และสูตรพื้นฐานของ Excel คุณสามารถนำโมเดล Machine Learning แบบ輕量級เหล่านี้ไปใช้งานได้อย่างรวดเร็ว แสดงภาพการทำนาย และเข้าใจความแม่นยำของโมเดลผ่านวิธีการที่เรียบง่ายแต่ให้ข้อมูลเชิงลึกลึก เทคนิคที่แสดงที่นี่สามารถขยายไปสู่สถานการณ์ที่ซับซ้อนกว่าและใช้เป็นเครื่องมือการศึกษาสำหรับการเรียนรู้แนวคิด Regression
