สถาบันข้อมูลขนาดใหญ่ (องค์การมหาชน)
Logo BDI For web

Patipan Prasertsom

Data Scientist Expert at Big Data Institute (BDI)

Publishing Time

Nov 22, 2023 -
Big Data 101

ตีความโมเดล Machine Learning: ตัวอย่างและการตีความ Shapley value

การคำนวณ Shapley Value เป็นเทคนิคที่สามารถใช้เพื่อตีความโมเดล Machine Learning ได้ทุกประเภท โดยอาศัยการคำนวณผลกระทบของฟีเจอร์ที่สนใจต่อค่าทำนายเฉลี่ยของเดล เพื่อดูระดับและทิศทางที่ปัจจัยต่าง ๆ ส่งผลต่อการทำงานของโมเดล ในบทความนี้เราจะมาดูตัวอย่างการใช้และตีความ Shapley Value พร้อมข้อดี ข้อจำกัด และข้อเสนอแนะในการใช้งานเทคนิคดังกล่าว
Nov 15, 2023 -
Big Data 101

ตีความโมเดล Machine Learning: หลักการของ Shapley value

การวิเคราะห์ผลกระทบและความสำคัญ (Importance) ของ feature ที่ใช้ในโมเดล Machine Learning นั้นเป็นเครื่องมือสำคัญที่ทำให้นักวิเคราะห์สามารถนำโมเดลไปใช้ได้อย่างมีประสิทธิภาพ การคำนวณ Shapley value เป็นเทคนิคในการตีความโมเดลโดยพิจาณาจากผลกระทบของฟีเจอร์ที่สนใจต่อการผลการทำนายเฉลี่ย โดยสามารถใช้ตามโมเดลได้ทุกประเภทแม้จะเป็นโมเดลที่อธิบายได้ยาก
Sep 5, 2022 -
Big Data 101

ตีความโมเดล Machine Learning: การใช้งาน LIME กับข้อมูลตาราง

LIME เป็น Model-Agnostic Interpretation Methods สำหรับตีความโมเดล Machine Learning ณ จุดข้อมูลที่สนใจ โดยอาศัยหลักการสร้างโมเดลตัวแทน (Local Surrogate) เพื่ออธิบายว่า ปัจจัยอะไรส่งผลให้โมเดลมีพฤติกรรมการทำนายอย่างที่เห็น ในบทความนี้เราจะมาพูดถึงการใช้งาน LIME กันว่า เทคนิคนี้สามารถนำมาประยุกต์ใช้กับข้อมูลประเภทตาราง (Tabular Data) ได้อย่างไร
Sep 2, 2022 -
Big Data 101

ตีความโมเดล Machine Learning: หลักการของ LIME

จุดประสงต์หลักของการพัฒนา Machine Learning model นอกเหนือจากการตอบโจทย์การทำนายที่ต้องการแล้วนั้น คือการวิเคราะห์ผลกระทบและความสำคัญ (Importance) ของ feature ของข้อมูลที่มีต่อผลการทำนาย อย่างไรก็ดีโมเดลที่เป็นที่นิยมหลายชนิดนั้นยากที่จะอธิบายได้โดยตรง Model-Agnostic Interpretation Methods เช่น LIME จึงถูกพัฒนาขึ้นเพื่อช่วยผู้ใช้ในการตีความโมเดลทุกประเภท
Jul 26, 2021 -
Big Data 101

การค้นหาตัวแทนเชิงความหมายของข้อความ: Word2Vec Word Embedding, Part II

หลังจากที่เราได้พูดถึงหลักการทำงานของโมเดลเบื้องต้นในการทำ word embedding ได้แก่โมเดล CBOW และ Skip-gram ไปแล้ว ในบทความนี้ เราจะมาพูดถึงวิธีการนำผลลัพธ์ที่ได้จากการฝึกฝนของโมเดลในตระกูล Word2Vec สองโมเดลนี้มาทำการสร้างตัวแทนเชิงความหมายของคำและเอกสาร พร้อมทั้งลองเขียนโค้ดง่ายๆ เพื่อลองประยุกต์ใช้งานกันครับ
Jul 15, 2021 -
Big Data 101

การค้นหาตัวแทนเชิงความหมายของข้อความ: Word2Vec Word Embedding, Part I

ในปัจจุบันข้อมูลที่มีลักษณะเป็นข้อความ (text) นั้นมีอยู่เป็นปริมาณมากแต่การประมวลผลข้อมูลเหล่านี้ไม่สามารถทำได้อย่างตรงไปตรงมาและจำเป็นต้องมีการจัดเตรียม (preprocess) ให้อยู่ในลักษณะที่เหมาะสมแก่การนำไปคำนวณได้เสียก่อน ซึ่งการจัดเตรียมข้อมูลเหล่านี้สามารถทำได้จากหลากหลายเทคนิคไม่ว่าจะเป็นการทำการประมวลผลพื้นฐานในการใช้เทคนิคพวก Bag of Words หรือ TF-IDF จนไปถึง การทำ word embedding เพื่อพยายามหาตัวแทนความหมายของข้อมูล ในบทความนี้ เราจะมาพูดถึงเทคนิคเบื้องต้น (ซึ่งยังมีการใช้งานอยู่ในปัจจุบัน) ของการทำ word embedding ได้แก่เทคนิคตระกูล Word2Vec ที่มีความซับซ้อนไม่สูงและสามารถทำได้อย่างรวดเร็ว กันครับ
Nov 11, 2020 -
Big Data 101

สกัดใจความสำคัญของข้อความด้วยเทคนิคการประมวลผลทางภาษาเบื้องต้น: TF-IDF, Part 2

ก่อนที่เราจะสามารถนำเอาเทคนิคการประมวลผลภาษาธรรมชาติ (Natural Language Processing: NLP) มาใช้กับภาษาไทยได้นั้น อุปสรรคหลักอย่างหนึ่ง คือ ภาษาไทยไม่ได้มีการเว้นวรรคระหว่างคำเหมือนหลายภาษาอื่น (เช่น ภาษาอังกฤษ) ดังนั้น การ “ตัดคำ” หรือการแยกข้อความภาษาไทยออกเป็นคำเดี่ยวๆ จึงเป็นสิ่งที่จำเป็นแรกที่ต้องทำ
Oct 1, 2020 -
Big Data 101

สกัดใจความสำคัญของข้อความด้วยเทคนิคการประมวลผลทางภาษาเบื้องต้น: TF-IDF, Part 1

ข้อมูลในรูปแบบข้อความมีรูปแบบและความยาวที่หลากหลาย ส่งผลให้ข้อมูลชนิดข้อความถูกนำมาวิเคราะห์ได้ยากกว่ามาก ดังนั้นความสามารถในการสกัดเอาข้อมูลที่สำคัญออกมาจากจากข้อความ (Text Mining) ได้จึงเป็นสิ่งที่สำคัญและเป็นประโยชน์อย่างมาก

Sign up to join Big Data Community Thailand

Make comments, write articles, and contribute to our community.

Sign up with Facebook Sign up with Google Or Sign up with email
Search