---
schema_version: "1"
id: 12759278a5bdfed2de15f77eb925cdaf65b7c7a5e37bd8c3b51573dbb839f143
title: การทำให้เป็นมาตรฐานและการเพิ่มในการสร้างแบบจำลองแบบคาดการณ์
collection: tableau
version: next
locale: th-th
portal_url: https://docs.salesforce.com/tableau/next/th-th/public/desktop/predictions_regularization_and_augmentation.md
canonical_url: https://help.tableau.com/v0.0/public/desktop/th-th/predictions_regularization_and_augmentation.htm
source_site: help.tableau.com
content_type: documentation
content_hash: 97d9c07e3576d5c12b54ba7863ca6b1cf012a3e7d8d8bbeba383114ad0b0765d
description: Improve predictive model fit using regularization and augmentation.
---
[ข้ามไปยังเนื้อหาหลัก](#main-content)

# การทำให้เป็นมาตรฐานและการเพิ่มในการสร้างแบบจำลองแบบคาดการณ์

หลายคนที่ใช้ Tableau อาจไม่ได้ใช้[แบบจำลองการคาดการณ์](https://help.tableau.com/current/pro/desktop/th-th/predictions_overview.htm) ไม่ต้องกล่าวถึงการมองหาวิธีการปรับปรุงความพอดีและคุณภาพการคาดการณ์ของแบบจำลองการคาดการณ์เลย บทความนี้เป็นบทความสำหรับผู้ใช้ขั้นสูงที่สนใจในวิทยาการข้อมูลด้านนี้

นอกเหนือจากอาร์กิวเมนต์เริ่มต้น เช่น นิพจน์เป้าหมาย (การวัดผลการคาดการณ์) และนิพจน์ตัวคาดการณ์ (การวัดผลและ/หรือมิติข้อมูลที่ใช้เพื่อคาดการณ์) คุณสามารถเพิ่มอาร์กิวเมนต์เพิ่มเติมสองตัวเพื่อปรับแต่งการคาดการณ์ของคุณได้ ได้แก่ _lambda_ ซึ่งเป็นพารามิเตอร์การทำให้เป็นมาตรฐาน และ _augmentation_ ส่วนนี้เกี่ยวข้องกับการเพิ่มอาร์กิวเมนต์ใหม่ไปยัง[ไวยากรณ์](https://help.tableau.com/current/pro/desktop/th-th/predictions_overview.htm#syntax-of-predictive-modeling-functions--in-detail)ของการคำนวณของคุณ

## แบบจำลองใดบ้างที่ใช้งานกับการทำให้เป็นมาตรฐานและการเพิ่มได้

เพื่อเตือนความจำให้กับคุณ ฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์ใน Tableau รองรับแบบจำลองสามประเภท ได้แก่ การถดถอยเชิงเส้น (รู้จักในชื่อ การถดถอยกําลังสองน้อยที่สุดหรือ OLS) การถดถอยเชิงเส้นที่มีการทำให้เป็นมาตรฐาน (หรือการถดถอยแบบริดจ์) และการถดถอยของกระบวนการ Gaussian หากคุณใช้การถดถอยเชิงเส้นหรือการถดถอยแบบริดจ์ การเพิ่มจะช่วยให้คุณเพิ่มความสามารถแบบจำลองของคุณเพื่อเลือกใช้รูปแบบที่ไม่ใช่เชิงเส้นได้ หากคุณใช้การถดถอยแบบริดจ์ พารามิเตอร์การทำให้เป็นมาตรฐานคือสเกลาร์ที่คุณสามารถใช้เพื่อปรับผลจากการทำให้เป็นมาตรฐานบนแบบจำลองของคุณได้

การทำให้เป็นมาตรฐานและการเพิ่มไม่สามารถใช้กับ[การถดถอยของกระบวนการ Gaussian](https://help.tableau.com/current/pro/desktop/th-th/predictions_choosing_model.htm#gaussian-process-regression) ได้

ก่อนจะพูดคุยมากกว่านี้เกี่ยวกับการทำให้เป็นมาตรฐานและการเพิ่ม เรามาลองดูโมเดลสองแบบนี้กันก่อน

**การถดถอยเชิงเส้น**ใช้ได้ดีที่สุดเมื่อมีตัวคาดการณ์อย่างน้อยหนึ่งตัวที่มีความสัมพันธ์เชิงเส้นระหว่างการคาดการณ์และเป้าหมายการคาดการณ์ ซึ่งไม่ได้รับผลกระทบจากสภาพเบื้องหลังเดียวกัน และไม่ได้แสดงถึงสองอินสแตนซ์ของข้อมูลเดียวกัน (ตัวอย่างเช่น ยอดขายที่แสดงทั้งในสกุลเงินดอลลาร์และยูโร)

**การถดถอยเชิงเส้นที่มีการทำให้เป็นมาตรฐาน**ใช้เพื่อปรับปรุงเสถียรภาพ ลดผลกระทบของสภาวะสหสัมพันธ์ และปรับปรุงประสิทธิภาพของการประมวลผลและการทำให้เป็นมาตรฐาน ใน Tableau จะใช้การทำให้เป็นมาตรฐานแบบ L2 หากต้องการข้อมูลเพิ่มเติมเกี่ยวกับการทำให้เป็นมาตรฐานแบบ L2 โปรดดูบทเรียนเกี่ยวกับ [การถดถอยแบบริดจ์](https://online.stat.psu.edu/stat857/node/155/) นี้

## การทำให้เป็นมาตรฐานคืออะไร

การถดถอยแบบริดจ์คือประเภทเฉพาะของการถดถอยเชิงเส้นที่มีการทำให้เป็นมาตรฐาน การทำให้เป็นมาตรฐานจะกำหนดให้มีการลดความน่าเชื่อถือสำหรับค่าสัมประสิทธิ์ของแบบจำลอง ความเข้มข้นของการทำให้เป็นมาตรฐานจะควบคุมโดย[แลมบ์ดา](https://developers.google.com/machine-learning/crash-course/regularization-for-simplicity/lambda) ซึ่งเป็นสเกลาร์ที่ใช้เพื่อปรับแต่งผลกระทบโดยรวมของการทำให้เป็นมาตรฐาน ยิ่งค่าสูงขึ้น การลดความน่าเชื่อถือยิ่งมากขึ้น (นั่นก็คือการทำให้เป็นมาตรฐานยิ่งสูงขึ้น)

การถดถอยแบบริดจ์สามารถจัดการปัญหาบางประการของการถดถอยเชิงเส้นได้ ซึ่งได้แก่

- การลดความบกพร่องที่เกิดจากปัญหาความสัมพันธ์ระหว่างตัวแปรอิสระในกลุ่มตัวคาดการณ์
- หากปัญหากำลังสองน้อยที่สุดคือสภาพความบกพร่อง เช่น หากจำนวนจุดข้อมูลน้อยกว่าจำนวนฟีเจอร์ แลมบ์ดาจะเลือกโซลูชันเฉพาะตัว
- ซึ่งจะให้วิธีการปรับปรุงการทำให้เป็นมาตรฐานของแบบจำลองเชิงเส้น

ตามค่าเริ่มต้น การถดถอยแบบริดจ์ใน Tableau มี **lambda=0.5** เนื่องจากค่านี้ทำงานได้ดีในหลายกรณี หากต้องการเปลี่ยนค่าแลมบ์ดา ให้แก้ไขการคำนวณตารางอย่างง่ายๆ (ดังตัวอย่างด้านล่าง)

## การเพิ่มคืออะไร

การเพิ่มใน MODEL\_QUANTILE และ MODEL\_PERCENTILE คือตัวอย่างง่ายๆ ของ[การเพิ่มข้อมูล](https://en.wikipedia.org/wiki/Feature_engineering) ซึ่งก็คือ ตัวคาดการณ์จะขยายไปยังพหุนามลำดับสูงขึ้น ใน Tableau มีพหุนามสองประเภทที่มาพร้อมกับฟังก์ชันการสร้างแบบจำลองแบบคาดการณ์

- สำหรับ**มิติข้อมูลแบบเรียงลำดับ** [พหุนาม Legendre](https://en.wikipedia.org/wiki/Legendre_polynomials) สูงสุดถึงลำดับที่ 3 ช่วยให้แบบจำลองเชิงเส้นสามารถเลือกความสัมพันธ์แบบกำลังสองและกำลังสามระหว่างตัวคาดการณ์ที่เพิ่มและการตอบกลับได้
- สำหรับ**การวัดผล** [พหุนาม Hermite](https://en.wikipedia.org/wiki/Hermite_polynomials) ลำดับที่ 2 ช่วยให้แบบจำลองเชิงเส้นสามารถเลือกความสัมพันธ์แบบกำลังสองระหว่างตัวคาดการณ์ที่เพิ่มและการตอบกลับได้

ในการถดถอยเชิงเส้นที่มี **augmentation=on** มีเพียงมิติข้อมูลแบบเรียงลำดับเท่านั้นที่จะเพิ่มตามค่าเริ่มต้น ในการถดถอยแบบริดจ์ที่มี **model=rl** มีเพียงการวัดผลเท่านั้นที่จะเพิ่มตามค่าเริ่มต้น หากต้องการแทนที่การตั้งค่าและปิดใช้งานการเพิ่มสำหรับตัวคาดการณ์แต่ละตัวในการคำนวณของคุณ ให้ใช้ **augmentation=off** ซึ่งจะไม่มีการเพิ่มพหุนามลำดับสูงขึ้น

การปิดใช้การเพิ่มจะมีประโยชน์เมื่อชุดข้อมูลมีขนาดเล็กมาก เนื่องจากการเพิ่มอาจทำให้สิ่งรบกวนที่มีอยู่ในข้อมูลดั้งเดิมเกิด Overfit นอกจากนี้ยังเป็นเพราะความสัมพันธ์ที่เกิดขึ้นมีความเรียบง่ายกว่าและเข้าใจง่ายกว่าด้วย

**หมายเหตุ:** การเพิ่มจะเปิด/ปิดแยกตามแต่ละตัวคาดการณ์ (กล่าวคือ ภายในอาร์กิวเมนต์ตัวคาดการณ์ของการคำนวณของคุณ) แลมบ์ดา (และแบบจำลอง) จะปรับใช้ที่ระดับสูงขึ้น (นอกนิพจน์ตัวคาดการณ์)

## การกำหนดค่าแลมบ์ดาและการเพิ่มในการคำนวณของคุณ

ตอนนี้เมื่อคุณทราบเกี่ยวกับพารามิเตอร์การทำให้เป็นมาตรฐาน (หรือแลมบ์ดา) และการเพิ่มข้อมูลแล้ว มาลองดูสิ่งเหล่านี้ในบริบทการคำนวณเพื่อการคาดการณ์กัน

`MODEL_QUANTILE("model=rl, lambda=0.05", 0.5, SUM([Profit]), "augmentation=off", SUM([Sales]))`

ด้านล่างนี้คือตารางที่สรุปข้อมูลโดยย่อ ว่าเปลี่ยนการเพิ่มและแลมบ์ดาจากค่าเริ่มต้นจะส่งผลต่อแบบจำลองเชิงเส้นหรือไม่

<table style="width: 100%;" class="table--plain"><colgroup><col><col><col></colgroup><tbody><tr><td>&nbsp;</td><td>การเพิ่ม</td><td>แลมบ์ดา</td></tr><tr><td>การถดถอยแบบริดจ์</td><td>ใช่</td><td>ใช่</td></tr><tr><td>การถดถอยเชิงเส้น</td><td>ใช่</td><td>ไม่เกี่ยวข้อง</td></tr></tbody></table>

## ข้อควรพิจารณาสำหรับการทำให้เป็นมาตรฐานและการเพิ่ม

- หากคุณมีแบบจำลองที่ไม่ถูกต้องสำหรับข้อมูลของคุณ การเปลี่ยนพารามิเตอร์การทำให้เป็นมาตรฐานหรือการเพิ่มอาจไม่ได้สร้างผลลัพธ์ที่ดีขึ้นมากนัก ให้พิจารณาตรวจสอบว่าประเภทข้อมูลถูกต้องหรือไม่ (การวัดผลเทียบกับมิติข้อมูล) ตัวอย่างเช่น หากข้อมูลเบื้องหลังคืออนุกรมเวลา ให้พิจารณาใช้[การถดถอยของกระบวนการ Gaussian](https://help.tableau.com/current/pro/desktop/th-th/predictions_choosing_model.htm#gaussian-process-regression) แทนโดยเปลี่ยนแบบจำลองในการคำนวณตารางของคุณเป็น **model=gp**
- เนื่องจากไม่ได้ทำให้ OLS เป็นมาตรฐาน จึงไม่มีค่าแลมบ์ดาที่สามารถเปลี่ยนแปลงได้
- หากชุดข้อมูลของคุณมีขนาดเล็กมาก และคุณมีมิติข้อมูล (โดยเฉพาะมิติข้อมูลที่มีความไม่ซ้ำกันสูง) ให้พิจารณาใช้การถดถอยแบบริดจ์โดยเพิ่ม model=rl ไปยังการคำนวณตารางของคุณ
- ทุกสิ่งเท่ากัน (สำหรับชุดข้อมูลเดียวกัน เมื่อกำหนดให้เปิดหรือปิดการเพิ่ม) แลมบ์ดาที่ต่ำอาจปรับปรุงความพอดีได้ แต่การทำให้เป็นมาตรฐานจะแย่ลง (ทำให้เกิด Overfitting)
- ในทางกลับกัน แลมบ์ดาที่สูงอาจทำให้ความพอดีเป็นแบบจำลองคงที่ โดยไม่มีการพึ่งพาบนตัวคาดการณ์ใดๆ เลย การทำเช่นนี้จะลดความสามารถของแบบจำลอง (ทำให้เกิด Underfitting)

### ตัวอย่างที่ 1

ตัวอย่างนี้แสดงความสัมพันธ์ระหว่างระดับคอเลสเตอรอลเฉลี่ยกับโรคหัวใจในผู้ชายและผู้หญิง โดยผู้ชายแสดงแทนด้วยสัญลักษณ์สี่เหลี่ยม และผู้หญิงแสดงแทนด้วยวงกลม

ในภาพแรก สัญลักษณ์สีน้ำเงินบ่งบอกถึงเป้าหมายการคาดการณ์ ส่วนสัญลักษณ์สีส้มคือค่าจากแบบจำลอง คุณจะเห็นว่าข้อมูลมีสิ่งรบกวนมาก และการเพิ่มเปิดอยู่ โดยมีค่าแลมบ์ดาน้อยถึง 0.01 เราจึงเห็นอัตราโรคหัวใจมากกว่า 1 ซึ่งไม่สมจริง การพึ่งพามีความชันมากเกินไปซึ่งอาจเกิดจากค่าผิดปกติทั้งหมดในข้อมูลที่มีสิ่งรบกวนนั้น

![โรคหัวใจตามเพศ พร้อมทั้งเป้าหมายการคาดการณ์และแบบจำลองที่มีความพอดีที่แย่](/tableau/next/th-th/public/desktop/th-th/Img/predict-lambda-ex1a.png)

MODEL\_QUANTILE("model=rl, lambda=0.01", 0.5, AVG(\[Target\]), ATTR(\[Sex\]), "augmentation=on", AVG(\[Chol\]))

ในภาพถัดไป เราเปรียบเทียบเป้าหมายการคาดการณ์กับแบบจำลองอื่น โดยปิดการเพิ่มและมีค่าแลมบ์ดาอยู่ที่ 10 สังเกตว่าแบบจำลองนี้มีความสมจริงมากขึ้น และไม่มีสัญลักษณ์เกินอัตราโรคซึ่งมีค่าอยู่ที่ 1

![โรคหัวใจตามเพศ พร้อมทั้งเป้าหมายการคาดการณ์และแบบจำลองที่ดีขึ้น](/tableau/next/th-th/public/desktop/th-th/Img/predict-lambda-ex1b.png)

MODEL\_QUANTILE("model=rl, lambda=10", 0.5, AVG(\[Target\]), ATTR(\[Sex\]), "augmentation=off", AVG(\[Chol\]))

### ตัวอย่างที่ 2

ถัดไป ลองมาดูอีกตัวอย่างหนึ่งในชีวิตจริงโดยใช้ข้อมูลจำนวนผู้ใช้ของระบบการแชร์จักรยาน Bluebikes (ก่อนหน้านี้คือ Hubway) ที่ Boston ในกรณีนี้ การถดถอยเชิงเส้นทำงานได้ดี เปรียบเทียบกับภาพต่อไปนี้ ซึ่งรวมไตรมาสต่างๆ ของปี 2017

![พล็อตของข้อมูลจำนวนผู้ใช้ของ Hubway ที่ไม่มี Overfitting](/tableau/next/th-th/public/desktop/th-th/Img/predict-lambda-ex2a.png)

MODEL\_QUANTILE('model=rl, lambda=0.05', 0.5, sum(\[Trip.Duration\]), AVG(\[Temp\]))

![พล็อตของข้อมูลจำนวนผู้ใช้ของ Hubway ที่ไม่มี Overfitting](/tableau/next/th-th/public/desktop/th-th/Img/predict-lambda-ex2b.png)

MODEL\_QUANTILE('model=rl, lambda=0.05', 0.5, AVG(\[Speed\]), AVG(\[Temp\]))

ไม่มีภาพใดที่มีแนวโน้มว่าจะเกิด Overfitting ดังนั้นการพึ่งพาบนแลมบ์ดาจึงเป็นจุดอ่อนของแลมด์ดาที่มีค่าน้อย

ตอนนี้ลองมาดูภาพสุดท้ายนี้กัน

![พล็อตของข้อมูลจำนวนผู้ใช้ของ Hubway ที่ไม่มี Overfitting](/tableau/next/th-th/public/desktop/th-th/Img/predict-lambda-ex2c.png)

MODEL\_QUANTILE('model=rl, lambda=2', 0.5, sum(\[Trip.Duration\]), AVG(\[Temp\]))

สังเกตว่าเมื่อแลมบ์ดาเพิ่มขึ้น ความพอดีจะราบลงจนไม่มีความชัน (ซึ่งก็คือการทำให้เป็นมาตรฐานมากเกินไปหรือ “Underfit”)