---
schema_version: "1"
id: 1225f12def1e78f49b3ae9e4b619a312007959f8b1ec74119d1d9ff30ce23a82
title: การเลือกแบบจำลองแบบคาดการณ์
collection: tableau
version: current
locale: th-th
portal_url: https://docs.salesforce.com/tableau/current/th-th/pro/desktop/predictions_choosing_model.md
canonical_url: https://help.tableau.com/current/pro/desktop/th-th/predictions_choosing_model.htm
source_site: help.tableau.com
content_type: documentation
content_hash: f60d07bddb5aabb74423a846012284832137003771e5aec1ff1d5997757a113d
description: Choose a predictive model among linear, regularized, and Gaussian process regression.
---
[ข้ามไปยังเนื้อหาหลัก](#main-content)

# การเลือกแบบจำลองแบบคาดการณ์

ฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์รองรับการถดถอยเชิงเส้น การถดถอยเชิงเส้นแบบปกติ และการถดถอยของกระบวนการเกาส์เซียน แบบจำลองเหล่านี้รองรับกรณีการใช้งานและประเภทการคาดการณ์ที่แตกต่างกัน รวมถึงมีข้อจำกัดที่แตกต่างกัน

## แบบจำลองที่รองรับ

### การถดถอยเชิงเส้น

[การถดถอยเชิงเส้น](https://en.wikipedia.org/wiki/Linear_regression) (เรียกอีกอย่างว่าการถดถอยด้วยวิธีกําลังสองน้อยที่สุดหรือ OLS) จะทำงานได้ดีที่สุดเมื่อมีตัวคาดการณ์อย่างน้อยหนึ่งตัวที่มีความสัมพันธ์เชิงเส้นระหว่างการคาดการณ์กับเป้าหมายการคาดการณ์ โดยที่ตัวคาดการณ์นั้นไม่ได้รับผลกระทบจากเงื่อนไขพื้นฐานเดียวกันและไม่แสดงสองอินสแตนซ์ของข้อมูลเดียวกัน (เช่น ยอดขายที่แสดงเป็นทั้งดอลลาร์และยูโร) การถดถอยเชิงเส้นเป็นแบบจำลองเริ่มต้นสำหรับฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์ใน Tableau หากคุณไม่ได้ระบุแบบจำลอง ระบบก็จะใช้การถดถอยเชิงเส้น คุณสามารถระบุแบบจำลองนี้ได้อย่างชัดเจนโดยใส่ **"model=linear”** เป็นอาร์กิวเมนต์แรกในการคำนวณตารางของคุณ

#### ตัวอย่าง:

`MODEL_QUANTILE(   "model=linear",   0.5,   SUM([Sales]),   ATTR(DATETRUNC('month',([Order Date]))   )`

### การถดถอยเชิงเส้นแบบปกติ

[การถดถอยเชิงเส้นแบบปกติ](https://en.wikipedia.org/wiki/Regularized_least_squares)จะใช้ได้ดีที่สุดเมื่อมีความสัมพันธ์เชิงเส้นโดยประมาณระหว่างตัวแปรอิสระตั้งแต่สองตัวขึ้นไป หรือเรียกว่า [ภาวะร่วมเส้นตรงหลายตัวแปร (Multicollinearity)](https://en.wikipedia.org/wiki/Multicollinearity) ซึ่งมักพบเห็นได้ในชุดข้อมูลจริง หากต้องการใช้แบบจำลองนี้แทนการถดถอยเชิงเส้นเริ่มต้น ให้ใส่ **"model=rl”** เป็นอาร์กิวเมนต์แรกในการคำนวณตารางของคุณ

#### ตัวอย่าง:

`MODEL_QUANTILE(   "model=rl",   0.5,   SUM([Sales]),   ATTR(DATETRUNC('month',([Order Date]))   )`

### การถดถอยของกระบวนการเกาส์เซียน

[การถดถอยของกระบวนการเกาส์เซียน](https://en.wikipedia.org/wiki/Gaussian_process) จะทำงานได้ดีที่สุดเมื่อสร้างการคาดการณ์ในโดเมนต่อเนื่อง เช่น เวลาหรือช่องว่าง หรือเมื่อมีความสัมพันธ์แบบไม่เชิงเส้นระหว่างตัวแปรกับเป้าหมายการคาดการณ์ การถดถอยของกระบวนการแบบเกาส์เซียนใน Tableau ต้องมีมิติข้อมูล**แบบเรียงลำดับ**เพียงมิติเดียวเป็นตัวคาดการณ์ แต่อาจรวมมิติข้อมูล**แบบไม่เรียงลำดับ**เป็นตัวคาดการณ์ได้เช่นกัน โปรดทราบว่าไม่สามารถใช้การวัดผลเป็นตัวคาดการณ์ในการถดถอยของกระบวนการเกาส์เซียนใน Tableau ได้ หากต้องการใช้แบบจำลองนี้แทนการถดถอยเชิงเส้นเริ่มต้น ให้ใส่ **"model=gp"** เป็นอาร์กิวเมนต์แรกในการคำนวณตารางของคุณ

**หมายเหตุ:** มิติข้อมูล_แบบเรียงลำดับ_คือค่าใดๆ ที่สามารถจัดลำดับได้ เช่น MONTH มิติข้อมูล_แบบไม่เรียงข้อมูล_คือค่าใดๆ ที่มีค่าไม่มีลำดับภายใน เช่น เพศหรือสี

#### ตัวอย่าง:

`MODEL_PERCENTILE(   "model=gp",   AVG([Days to Ship Actual]),   ATTR(DATETRUNC('month',([Order Date])))   )`

  

คุณสามารถเลือกแบบจำลองของคุณโดยใช้เกณฑ์ด้านล่างต่อไปนี้เป็นการแก้ปัญหาเบื้องต้น

- **การถดถอยเชิงเส้น (ค่าเริ่มต้น):** ใช้เมื่อคุณมีตัวคาดการณ์เพียงตัวเดียว และตัวคาดการณ์ดังกล่าวมีความสัมพันธ์เชิงเส้นกับเมตริกเป้าหมายของคุณ
- **การถดถอยเชิงเส้นแบบปกติ:** ใช้เมื่อคุณมีตัวคาดการณ์หลายตัว โดยเฉพาะอย่างยิ่งเมื่อตัวคาดการณ์เหล่านั้นมีความสัมพันธ์เชิงเส้นกับเมตริกเป้าหมาย และตัวคาดการณ์เหล่านั้นมีแนวโน้มที่จะได้รับผลกระทบจากความสัมพันธ์หรือแนวโน้มพื้นฐานที่คล้ายคลึงกัน
- **การถดถอยของกระบวนการเกาส์เซียน:** ใช้เมื่อคุณมีตัวคาดการณ์เวลาหรือพื้นที่ หรือเมื่อคุณมีการใช้ตัวคาดการณ์ที่อาจไม่มีความสัมพันธ์เชิงเส้นกับเมตริกเป้าหมาย