---
schema_version: "1"
id: a43f9eb57b0cf71a5fe19017fa32859afb091755b8e43e0868307843f24635ab
title: การทำงานของฟังก์ชันการสร้างแบบจำลองเชิงคาดการณ์ใน Tableau
collection: tableau
version: next
locale: th-th
portal_url: https://docs.salesforce.com/tableau/next/th-th/pro/desktop/predictions_overview.md
canonical_url: https://help.tableau.com/v0.0/pro/desktop/th-th/predictions_overview.htm
source_site: help.tableau.com
content_type: documentation
content_hash: 7ba762bc71663472222f16a5efc8a6d379ff60c50b617f88782fe75960056820
description: Understand in detail how predictive modeling functions work in Tableau.
---
[ข้ามไปยังเนื้อหาหลัก](#main-content)

# การทำงานของฟังก์ชันการสร้างแบบจำลองเชิงคาดการณ์ใน Tableau

คุณสามารถเพิ่ม[เส้นแนวโน้ม](https://help.tableau.com/current/pro/desktop/th-th/trendlines_add.htm)และ[การพยากรณ์](https://help.tableau.com/current/pro/desktop/th-th/forecast_create.htm)ไปยังการแสดงเป็นภาพได้ แต่ตอนนี้คุณทำได้มากกว่านี้โดยใช้ประสิทธิภาพการทำงานของเครื่องมือทางสถิติเพื่อสร้างแบบจำลองที่เข้าใจวิธีแจกแจงข้อมูลของคุณไปรอบๆ เส้นแนวโน้มหรือเส้นถดถอย ก่อนหน้านี้ผู้ใช้ต้องผสานรวม Tableau กับ R และ Python เพื่อทำการคำนวณทางสถิติขั้นสูงและแสดงเป็นภาพใน Tableau คุณสามารถใช้ฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์เพื่อทำการคาดการณ์จากข้อมูลของคุณโดยรวมไว้ในการคำนวณตารางได้แล้วตอนนี้ หากต้องการข้อมูลเพิ่มเติม โปรดดู [เปลี่ยนค่าต่างๆ ด้วยการคำนวณตาราง](https://help.tableau.com/current/pro/desktop/th-th/calculations_tablecalculations.htm)

ฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์เหล่านี้ช่วยให้คุณสามารถเลือกเป้าหมายและตัวคาดการณ์โดยอัปเดตตัวแปร และแสดงแบบจำลองต่างๆ เป็นภาพด้วยการรวมตัวคาดการณ์ที่แตกต่างกัน คุณจะสามารถกรอง รวม และแปลงข้อมูลได้ในทุกระดับของรายละเอียดและแบบจำลอง ดังนั้นการคาดการณ์จะคำนวณใหม่โดยอัตโนมัติเพื่อจับคู่ข้อมูลของคุณ

หากต้องการดูตัวอย่างโดยละเอียดที่แสดงวิธีการสร้างการคำนวณการคาดการณ์โดยใช้ฟังก์ชันเหล่านี้ โปรดดู [ตัวอย่าง - สำรวจอายุคาดเฉลี่ยของเพศหญิงด้วยฟังก์ชันการสร้างแบบจำลองเชิงคาดการณ์](https://help.tableau.com/v0.0/pro/desktop/th-th/predictions_example.htm)

## ฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์พร้อมให้ใช้งานใน Tableau

### MODEL\_PERCENTILE

<table class="table--plain" style="width: 100%;"><colgroup><col style="width: 20%;"><col></colgroup><tbody><tr><td>ไวยากรณ์</td><td><code>MODEL_PERCENTILE(
							<br>model_specification (optional),
							<br>target_expression,
						<br>predictor_expression(s))</code></td></tr><tr><td>คำนิยาม</td><td>แสดงผลความน่าจะเป็น (ระหว่าง 0 ถึง 1) ของค่าที่คาดหวังซึ่งน้อยกว่าหรือเท่ากับเครื่องหมายที่สังเกตได้ ซึ่งกำหนดโดยนิพจน์เป้าหมายและตัวคาดการณ์อื่นๆ นี่คือฟังก์ชันการแจกแจงแบบคาดการณ์ภายหลัง หรือที่เรียกว่าฟังก์ชันการกระจายสะสม (CDF)</td></tr><tr><td>ตัวอย่าง</td><td><pre>MODEL_PERCENTILE( SUM([Sales]),COUNT([Orders]))</pre></td></tr></tbody></table>

### MODEL\_QUANTILE

<table class="table--plain" style="width: 100%;"><colgroup><col style="width: 20%;"><col></colgroup><tbody><tr><td>ไวยากรณ์</td><td><code>MODEL_QUANTILE(
						<br>model_specification (optional), 
						<br>quantile, 
					    <br>target_expression,
						<br>predictor_expression(s))</code></td></tr><tr><td>คำนิยาม</td><td>แสดงผลค่าตัวเลขเป้าหมายภายในช่วงที่น่าจะเป็นซึ่งกำหนดโดยนิพจน์เป้าหมายและตัวคาดการณ์อื่นๆ ที่ควอนไทล์ที่ระบุ นี่คือควอนไทล์แบบคาดการณ์ภายหลัง</td></tr><tr><td>ตัวอย่าง</td><td><pre>MODEL_QUANTILE(0.5, SUM([Sales]), COUNT([Orders]))</pre></td></tr></tbody></table>  

## ประสิทธิภาพการทำงานของฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์

ลองดูตัวอย่างการใช้ข้อมูลเงินเดือนโดยเริ่มต้นด้วย MODEL\_QUANTILE

ในตัวอย่างด้านล่าง MODEL\_QUANTILE ใช้เพื่อแสดงเปอร์เซ็นต์ไทล์ที่ 10 และเปอร์เซ็นต์ที่ 90 ของการแจกแจงที่คาดหวังสำหรับชุดข้อมูลเดียวกัน จากข้อมูลที่มีอยู่และการใช้แบบจำลองการถดถอยเชิงเส้น เครื่องมือทางสถิติกำหนดไว้ว่ามีความเป็นไปได้ 90% ที่เงินเดือนสูงสุดสำหรับแต่ละตำแหน่งจะต่ำกว่าเส้นสีเขียว และมีความเป็นไปได้ 10% ที่เงินเดือนขั้นต่ำสำหรับแต่ละตำแหน่งจะต่ำกว่าเส้นสีน้ำเงิน

กล่าวอีกนัยหนึ่ง ด้วยควอนไทล์ที่กำหนดไว้ที่ 0.9 แบบจำลองนี้คาดการณ์ว่าเงินเดือนทั้งหมดจะอยู่ที่หรือต่ำกว่าเส้นสีเขียว 90% ของเวลาดังกล่าว เส้นสีฟ้ากำหนดไว้ที่ .1 หรือ 10% ดังนั้นมีเพียง 10% ของเงินเดือนเท่านั้นที่จะอยู่ที่หรือต่ำกว่าเส้นสีฟ้าโดยมีค่าผกผัน (90%) อยู่เหนือเส้นสีฟ้า

ข้อมูลเหล่านี้จะนำเสนอการกำหนดช่วงที่คาดการณ์ได้ 80% ของจุดที่อาจเกิดขึ้นในอนาคตหรือข้อมูลที่ไม่มีการสังเกตจะอยู่ในช่วงนี้

![แผนภูมิการแจกแจงเงินเดือน](/tableau/next/th-th/pro/desktop/th-th/Img/predict-salary-distribution1.png)

ต่อไปเรามาดูกันว่า MODEL\_PERCENTILE ซึ่งเป็นค่าผกผันของ MODEL\_QUANTILE จะช่วยให้เราเข้าใจข้อมูลได้มากขึ้นอย่างไร

คุณสามารถระบุค่าผิดปกติของชุดข้อมูลได้โดยใช้ฟังก์ชัน MODEL\_PERCENTILE MODEL\_PERCENTILE จะบอกคุณในฐานะเปอร์เซ็นต์ไทล์ ซึ่งเครื่องหมายที่สังเกตได้อยู่ในช่วงของค่าที่เป็นไปได้สำหรับแต่ละเครื่องหมาย หากเปอร์เซ็นต์ไทล์ใกล้เคียง 0.5 มาก ค่าที่สังเกตได้จะใกล้เคียงกับค่ามัธยฐานที่คาดการณ์ไว้มาก หากเปอร์เซ็นต์ไทล์ใกล้เคียง 0 หรือ 1 ค่าที่สังเกตได้จะอยู่ที่ขอบเขตด้านล่างหรือด้านบนของช่วงแบบจำลองและคาดคะเนไม่ได้อย่างสัมพันธ์กัน

ด้านล่างนี้เราได้ใช้ MODEL\_PERCENTILE เป็นสีสำหรับการแสดงเงินเดือนเป็นภาพในครึ่งบนของภาพเพื่อช่วยให้เราเข้าใจว่าคาดคะเนค่าใดได้มากที่สุด

![การแจกแจงเงินเดือนเป็นสี](/tableau/next/th-th/pro/desktop/th-th/Img/predict-salary-distribution.png)

## รายละเอียดไวยากรณ์ของฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์

### MODEL\_QUANTILE คืออะไร

MODEL\_QUANTILE จะคำนวณควอนไทล์แบบคาดการณ์ด้านหลังหรือค่าที่คาดหวังสำหรับควอนไทล์ที่ระบุ

- **ควอนไทล์:** อาร์กิวเมนต์แรกเป็นจำนวนระหว่าง 0 ถึง 1 โดยบ่งชี้ว่าควรคาดการณ์ควอนไทล์ใด ตัวอย่างเช่น 0.5 ระบุว่าค่ามัธยฐานจะถูกคาดการณ์
- **นิพจน์เป้าหมาย:** อาร์กิวเมนต์ที่สองคือตัวชี้วัดที่จะคาดการณ์หรือ “กำหนดเป้าหมาย”
- **นิพจน์ตัวคาดการณ์:** อาร์กิวเมนต์ที่สามคือตัวคาดการณ์ที่ใช้ในการคาดการณ์ ตัวคาดการณ์อาจเป็นมิติข้อมูล ตัวชี้วัด หรือทั้งสองอย่างก็ได้

ผลลัพธ์คือจำนวนที่อยู่ในช่วงความน่าจะเป็น

คุณสามารถใช้ MODEL\_QUANTILE เพื่อสร้างช่วงความเชื่อมั่น ค่าที่ขาดหายไป เช่น วันที่ในอนาคต หรือสร้างหมวดหมู่ที่ไม่มีอยู่ในชุดข้อมูลเบื้องหลัง

### MODEL\_PERCENTILE คืออะไร

MODEL\_PERCENTILE จะคำนวณหาฟังก์ชันการกระจายแบบคาดการณ์ด้านหลังหรือที่เรียกว่าฟังก์ชันการแจกแจงสะสม (CDF) ซึ่งจะคำนวณควอนไทล์ของค่าเฉพาะระหว่าง 0 ถึง 1, ค่าผกผันของ MODEL\_QUANTILE

- **นิพจน์เป้าหมาย:**​อาร์กิวเมนต์แรกคือตัวชี้วัดเป้าหมายโดยระบุค่าที่จะประเมิน
- **นิพจน์ตัวคาดการณ์:** อาร์กิวเมนต์ที่สองคือตัวคาดการณ์ที่ใช้ในการคาดการณ์
- อาร์กิวเมนต์เพิ่มเติมเป็นตัวเลือกและรวมอยู่ในการควบคุมการคาดการณ์

สังเกตว่าไวยากรณ์การคำนวณมีความคล้ายกันโดย MODEL\_QUANTILE มีอาร์กิวเมนต์พิเศษของควอนไทล์ที่กำหนด

ผลลัพธ์คือความน่าจะเป็นของค่าที่คาดหวังจะน้อยกว่าหรือเท่ากับค่าที่สังเกตและแสดงในเครื่องหมาย

คุณสามารถใช้ MODEL\_PERCENTILE เพื่อแสดงสหสัมพันธ์และความสัมพันธ์ภายในฐานข้อมูลของคุณได้ หาก MODEL\_PERCENTILE แสดงค่าที่ใกล้เคียงกับ 0.5 เครื่องหมายที่สังเกตได้จะใกล้เคียงกับค่ามัธยฐานของช่วงค่าที่คาดการณ์ไว้โดยพิจารณาจากตัวคาดการณ์อื่นๆ ที่คุณเลือกไว้ หาก MODEL\_PERCENTILE แสดงค่าที่ใกล้เคียงกับ 0 หรือ 1 เครื่องหมายที่สังเกตได้จะใกล้เคียงกับช่วงล่างหรือช่วงบนของค่าที่แบบจำลองคาดการณ์ไว้โดยพิจารณาจากตัวคาดการณ์อื่นๆ ที่คุณเลือกไว้

**หมายเหตุ:** มิติข้อมูลที่ใช้เป็นตัวคาดการณ์สามารถ_เรียงลำดับ_หรือ_ยกเลิกการเรียงลำดับ_ได้ มิติข้อมูลที่เรียงลำดับคือค่าใดๆ ที่มีลำดับตามปกติได้ เช่น MONTH มิติข้อมูลที่ไม่เรียงลำดับคือค่าใดๆ ที่ไม่มีลำดับตามปกติ เช่น เพศหรือสี ความแตกต่างนี้จะมีความสำคัญเมื่อใช้การถดถอยของกระบวนการเกาส์เซียน หากต้องการข้อมูลเพิ่มเติมเกี่ยวกับแบบจำลองนี้และอื่นๆ โปรดดู [การเลือกแบบจำลองแบบคาดการณ์](https://help.tableau.com/v0.0/pro/desktop/th-th/predictions_choosing_model.htm)

สำหรับผู้ใช้ขั้นสูง มีอาร์กิวเมนต์ตัวเลือกอื่นอีกสองรายการที่คุณสามารถรวมไว้เพื่อควบคุมการคาดการณ์ได้ หากต้องการข้อมูลเพิ่มเติม โปรดดู [การทำให้เป็นมาตรฐานและการเพิ่มในการสร้างแบบจำลองแบบคาดการณ์](https://help.tableau.com/v0.0/pro/desktop/th-th/predictions_regularization_and_augmentation.htm)

## มีการคำนวณอะไรบ้าง

ข้อมูลการป้อนที่ใช้สร้างแบบจำลองคือเมทริกซ์ที่แต่ละเครื่องหมายเป็นแถว และคอลัมน์เป็นนิพจน์เป้าหมายและนิพจน์ตัวคาดการณ์ที่ได้รับการประเมินสำหรับแต่ละเครื่องหมาย แถวใดก็ตามที่ระบุไว้ในการแสดงเป็นภาพคือสิ่งที่กำหนดแถวสำหรับชุดข้อมูลที่คำนวณโดยเครื่องมือทางสถิติ

มาดูตัวอย่างด้านล่าง แถว (และเครื่องหมาย) จะกำหนดโดยตำแหน่งงานและคอลัมน์จะเป็นนิพจน์เป้าหมาย MEDIAN(\[Annual Rt\]) สิ่งเหล่านี้จะตามด้วยตัวเลือกตัวคาดการณ์เพิ่มเติม MEDIAN(\[Tenure in Months (Measure)\] และ ATTR(\[Department Generic (group)\]

![ตารางข้อมูลเงินเดือน](/tableau/next/th-th/pro/desktop/th-th/Img/predict-jobtitle-table.png)

**หมายเหตุ:** หลายตำแหน่งงานมีเครื่องหมายดอกจันที่แสดงอยู่ใต้ “แผนก” เนื่องจากตำแหน่งงานเหล่านั้นมีอยู่ในหลายแผนกแต่ Tableau ดำเนินการกับตำแหน่งงานทั้งหมดเหมือนกับว่าอยู่ในแผนกเดียวกัน นอกจากนี้ เครื่องมือทางสถิติไม่ได้พิจารณาจำนวนของระเบียนและถือว่าแต่ละเครื่องหมายมีโอกาสที่เหมือนกัน เนื่องจาก Tableau ไม่สามารถทำการคำนวณตารางสำหรับข้อมูลที่ไม่มีการรวมและไม่สามารถรวมผลลัพธ์ของการคำนวณตารางได้ หากต้องการข้อมูลเพิ่มเติมเกี่ยวกับการรวม โปรดดู [การรวมข้อมูลใน Tableau](https://help.tableau.com/current/pro/desktop/th-th/calculations_aggregation.htm)

หากต้องการข้อมูลเพิ่มเติมเกี่ยวกับข้อมูลที่ใช้สร้างแบบจำลองและสร้างการคาดการณ์ โปรดดู [“คำนวณโดยใช้” และ “การแบ่งพาร์ติชันข้อมูล” ใน “แบบจำลองแบบคาดการณ์”](https://help.tableau.com/v0.0/pro/desktop/th-th/predictions_compute_using.htm)

## รองรับแบบจำลองใดบ้าง

ฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์รองรับการถดถอยเชิงเส้น การถดถอยเชิงเส้นแบบปกติ และการถดถอยของกระบวนการเกาส์เซียน แบบจำลองเหล่านี้รองรับกรณีการใช้งานและประเภทการคาดการณ์ที่แตกต่างกัน รวมถึงมีข้อจำกัดที่แตกต่างกัน หากต้องการข้อมูลเพิ่มเติม โปรดดู [การเลือกแบบจำลองแบบคาดการณ์](https://help.tableau.com/v0.0/pro/desktop/th-th/predictions_choosing_model.htm)

## การเลือกตัวคาดการณ์ของคุณ

ตัวคาดการณ์สามารถเป็นฟิลด์ใดก็ได้ในแหล่งข้อมูล เช่น การวัดผลหรือมิติข้อมูล รวมถึงฟิลด์ที่คำนวณ

**หมายเหตุ:**​ หากใช้มิติข้อมูลเป็นตัวคาดการณ์ คุณต้องใช้ ATTR Wrapper (เช่น ATTR(\[รัฐ\] แทนที่จะเป็น \[รัฐ\]) เนื่องจากโดยทั่วไปแล้ว มิติข้อมูลจะทำงานได้ก็ต่อเมื่ออยู่ในระดับของรายละเอียดในการแสดงเป็นภาพทั้งโดยตรงหรือระดับสูงขึ้นในลำดับชั้น

ตัวอย่างเช่น สมมติว่ามีชุดข้อมูลที่ประกอบด้วยฟิลด์ \[เมือง\], \[รัฐ\] และ \[ภูมิภาค\] ซึ่งมีระเบียน \[เมือง\] หลายรายการอยู่ใน \[รัฐ\] และระเบียน \[รัฐ\] หลายรายการใน \[ภูมิภาค\]

ในการแสดงเป็นภาพที่ใช้ \[รัฐ\] เป็นเครื่องหมาย ตัวคาดการณ์ ATTR(\[รัฐ\]) หรือ ATTR(\[ภูมิภาค\])จะทำงานเป็นตัวคาดการณ์ อย่างไรก็ตาม ตัวคาดการณ์ ATTR(\[เมือง\]) จะเปลี่ยนกลับไปเป็น \* เนื่องจากมีหลายเมืองอยู่ในรัฐที่แสดงเป็นภาพ ดังนั้นจึงไม่สามารถใช้เป็นตัวคาดการณ์ได้ กล่าวอีกนัยหนึ่ง รวมถึงตัวคาดการณ์ที่มีระดับของรายละเอียดต่ำกว่าการแสดงเป็นภาพจะไม่เพิ่มมูลค่าให้กับการคาดการณ์ ในกรณีส่วนใหญ่ ตัวคาดการณ์ที่มีระดับของรายละเอียดต่ำกว่าที่การแสดงเป็นภาพจะประเมิน \* และทั้งหมดจะได้รับการดำเนินการเหมือนกัน

อย่างไรก็ตาม หากมีการใช้ชุดข้อมูลเดียวกันเพื่อสร้างการแสดงเป็นภาพที่ใช้ \[เมือง\] เป็นเครื่องหมาย, ATTR(\[เมือง\]), ATTR(\[รัฐ\]) และ ATTR(\[ภูมิภาค\]) ทั้งหมดสามารถใช้เป็นตัวคาดการณ์ได้อย่างสำเร็จ หากต้องการข้อมูลเพิ่มเติมเกี่ยวกับการใช้ฟังก์ชัน ATTR โปรดดู[เมื่อไหร่ควรใช้ฟังก์ชันแอตทริบิวต์ (ATTR)](https://kb.tableau.com/articles/howto/when-to-use-the-attribute-attr-function?lang=th-th)

มิติข้อมูลและการวัดผลไม่จำเป็นต้องแสดงเป็นภาพ (ในมุมมองหรือการแสดงเป็นภาพ) เพื่อรวมไว้เป็นตัวคาดการณ์ หากต้องการข้อมูลเพิ่มเติม โปรดดู [การเลือกตัวคาดการณ์](https://help.tableau.com/v0.0/pro/desktop/th-th/predictions_choosing_predictors.htm)

## คำแนะนำ

การคำนวณการคาดการณ์จะใช้งานได้ดีที่สุดดังนี้

- เพื่อคาดการณ์ค่าสำหรับระเบียนแต่ละรายการโดยที่แต่ละเครื่องหมายในการแสดงเป็นภาพแสดงถึงเอนทิตีที่แยกกัน เช่น ผลิตภัณฑ์ การขาย บุคคล และอื่นๆ แทนที่จะเป็นข้อมูลแบบรวม เนื่องจาก Tableau ถือว่าแต่ละเครื่องหมายมีแนวโน้มเท่ากันแม้ว่าเครื่องหมายหนึ่งรายการจะประกอบด้วยระเบียน 100 รายการและเครื่องหมายอื่นจะประกอบด้วยระเบียนละหนึ่งรายการ เครื่องมือทางสถิติไม่ได้พิจารณาเครื่องหมายตามจำนวนของระเบียนที่สร้างขึ้น
- การคาดการณ์ค่าสำหรับนิพจน์เป้าหมายแบบรวมโดยใช้ SUM และ COUNT

**หมายเหตุ:**​ไม่แนะนำให้ใช้ MODEL\_QUANTILE และ MODEL\_PERCENTILE เพื่อคาดการณ์ค่าสำหรับ aggregated target\_expressions โดยใช้ AVG, MEDIAN, MIN และ MAX

## ข้อจำกัด

- คุณต้องใช้ฟิลด์ที่คำนวณเพื่อขยายอนุกรมเวลาในอนาคต หากต้องการข้อมูลเพิ่มเติม โปรดดู [การคาดการณ์อนาคต](https://help.tableau.com/current/pro/desktop/th-th/predictions_future.htm)
- ตัวคาดการณ์ควรอยู่ในระดับรายละเอียดเดียวกันหรือสูงกว่ามุมมอง หมายความว่าหากมุมมองของคุณรวมกันตามรัฐ คุณควรใช้รัฐหรือภูมิภาคเป็นตัวคาดการณ์แต่ไม่ใช่เมือง หากต้องการข้อมูลเพิ่มเติม โปรดดู [การเลือกตัวคาดการณ์](https://help.tableau.com/v0.0/pro/desktop/th-th/predictions_choosing_predictors.htm)

## การคำนวณการคาดการณ์หยุดทำงานเมื่อไหร่

ไม่ว่าคุณจะใช้แบบจำลองใดก็ตาม คุณต้องมีจุดข้อมูลอย่างน้อยสามจุดในแต่ละขอบเขตเพื่อให้แบบจำลองแสดงผลการตอบกลับ

หากคุณได้ระบุการถดถอยของกระบวนการเกาส์เซียนเป็นแบบจำลอง สามารถใช้ได้ในการคำนวณแบบคาดการณ์ด้วยตัวคาดการณ์มิติข้อมูล**แบบเรียงลำดับ**หนึ่งตัวและตัวคาดการณ์มิติข้อมูล**แบบไม่เรียงลำดับ**จำนวนใดก็ได้ ไม่รองรับการวัดผลเป็นตัวคาดการณ์ในการคาดการณ์แบบการถดถอยของกระบวนการเกาส์เซียน แต่สามารถใช้ในการคำนวณการถดถอยเชิงเส้นแบบเชิงเส้นและแบบสม่ำเสมอ หากต้องการข้อมูลเพิ่มเติมเกี่ยวกับการเลือกแบบจำลอง โปรดดู [การเลือกแบบจำลองแบบคาดการณ์](https://help.tableau.com/v0.0/pro/desktop/th-th/predictions_choosing_model.htm)

หากการคำนวณของคุณใช้ ATTR\[รัฐ\] เป็นตัวคาดการณ์และการแสดงเป็นภาพของคุณยังรวม “รัฐ” เป็นเครื่องหมายแต่ไม่มีฟิลด์อื่นๆ ในระดับของรายละเอียดที่ต่ำกว่า เช่น เมือง คุณจะส่งกลับข้อผิดพลาด เพื่อป้องกันปัญหานี้ เพียงตรวจสอบให้แน่ใจว่าไม่มีความสัมพันธ์แบบหนึ่งต่อหนึ่งระหว่างเครื่องหมายและหมวดหมู่ตัวคาดการณ์

หากต้องการข้อมูลเพิ่มเติมเกี่ยวกับปัญหาเหล่านี้และปัญหาการคาดการณ์อื่นๆ โปรดดู [แก้ไขข้อผิดพลาดในฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์](https://help.tableau.com/current/pro/desktop/th-th/predictions_resolve_errors.htm)

## คำถามที่พบบ่อย

### เครื่องหมายในกลุ่มตัวคาดการณ์แบบหลายกลุ่ม

หากมีการรวมแถวรวมจากข้อมูลที่มีอยู่ภายในกลุ่มตัวคาดการณ์แบบหลายกลุ่ม ค่าของฟังก์ชัน ATTR จะเป็นค่าพิเศษของหลายค่า ตัวอย่างเช่น ทุกเมืองที่มีอยู่ในหลายรัฐจะมีค่าที่คาดการณ์เหมือนกัน (เว้นแต่จะมีตัวคาดการณ์อื่นๆ ที่แตกต่างกัน) เมื่อเลือกตัวคาดการณ์ คุณควรใช้ตัวคาดการณ์ที่มีระดับของรายละเอียดเดียวกันกับการแสดงเป็นภาพหรือสูงกว่า และหากต้องการข้อมูลเพิ่มเติมเกี่ยวกับฟังก์ชัน ATTR โปรดดู [เมื่อไหร่ควรใช้ฟังก์ชันแอตทริบิวต์ (ATTR)](https://kb.tableau.com/articles/howto/when-to-use-the-attribute-attr-function?lang=th-th)

### จะเกิดอะไรขึ้นหากการรวม ATTR แสดงค่า \*

\* คือค่าที่ต่างกัน หาก ATTR แสดง \* สำหรับทุกเครื่องหมาย คุณจะมีตัวคาดการณ์ที่มีค่าคงที่ซึ่งจะถูกเพิกเฉย ซึ่งเหมือนกับการไม่รวมตัวคาดการณ์นั้นเลย

หาก ATTR แสดง \* สำหรับบางเครื่องหมายแต่ไม่ทั้งหมด จะถือว่าเป็นหมวดหมู่ที่ค่า \* ทั้งหมดได้รับการพิจารณาว่าเหมือนกัน สถานการณ์นี้เหมือนกับสถานการณ์ข้างต้น ซึ่งมีเครื่องหมายอยู่ในกลุ่มตัวคาดการณ์แบบหลายกลุ่ม

### กรณีที่ใช้ตัวเลือกเมนูการคำนวณตาราง “คำนวณโดยใช้”

ฟังก์ชันนี้ทำงานคล้ายกับ “คำนวณโดยใช้” ในการคำนวณตารางอื่นๆ หากต้องการข้อมูลเพิ่มเติม โปรดดู [“คำนวณโดยใช้” และ “การแบ่งพาร์ติชันข้อมูล” ใน “แบบจำลองแบบคาดการณ์”](https://help.tableau.com/v0.0/pro/desktop/th-th/predictions_compute_using.htm)

### ทำไมจึงเกิดข้อผิดพลาด

มีสาเหตุหลายประการที่ทำให้คุณอาจพบข้อผิดพลาดเมื่อใช้ฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์ หากต้องการดูขั้นตอนการแก้ปัญหาโดยละเอียด โปรดดู [แก้ไขข้อผิดพลาดในฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์](https://help.tableau.com/current/pro/desktop/th-th/predictions_resolve_errors.htm)