การเรียนรู้ของเครื่อง (Machine Learning)

1. ภาพรวมและประเภทของ Machine Learning

Machine Learning (ML) หรือการเรียนรู้ของเครื่องจักร คือสาขาหนึ่งของปัญญาประดิษฐ์ (AI) ที่ทำให้คอมพิวเตอร์ “เรียนรู้” จากข้อมูลได้เอง โดยไม่ต้องเขียนโปรแกรมกำหนดกฎทุกอย่างล่วงหน้า จุดต่างสำคัญจากการเขียนโปรแกรมแบบดั้งเดิมคือ โปรแกรมแบบดั้งเดิมรับ “ข้อมูล + กฎ” แล้วให้ “คำตอบ” แต่ Machine Learning รับ “ข้อมูล + คำตอบ (ตัวอย่าง)” แล้วสร้าง “กฎ” ที่เรียกว่า “โมเดล (Model)” ขึ้นมาเอง

ตัวอย่างการใช้งานใกล้ตัว เช่น ระบบกรองอีเมลขยะ ระบบแนะนำสินค้า/วิดีโอ การพยากรณ์ยอดขาย การตรวจจับใบหน้า และการแบ่งกลุ่มลูกค้าเพื่อทำการตลาด โดย ML แบ่งเป็น 3 ประเภทหลัก ดังตาราง

ประเภท	ลักษณะข้อมูล	ตัวอย่างงาน	อัลกอริทึมที่ใช้บ่อย
Supervised Learning (แบบมีผู้สอน)	มีเฉลย (Label) กำกับทุกตัวอย่าง	ทำนายราคาบ้าน (Regression), จำแนกอีเมลขยะ (Classification)	Linear/Logistic Regression, Decision Tree, KNN
Unsupervised Learning (แบบไม่มีผู้สอน)	ไม่มีเฉลย ให้หาโครงสร้างเอง	แบ่งกลุ่มลูกค้า, ลดมิติข้อมูล	K-Means, Hierarchical Clustering
Reinforcement Learning (แบบเสริมกำลัง)	เรียนรู้จากการลองผิดลองถูกและรางวัล	หุ่นยนต์เดิน, AI เล่นเกม	Q-Learning

วิธีเลือกประเภทอย่างง่าย ให้ถามว่า “ข้อมูลมีเฉลยหรือไม่” ถ้ามีเฉลยและเฉลยเป็นตัวเลขต่อเนื่อง ให้ใช้ Regression ถ้าเฉลยเป็นกลุ่ม/ประเภท ให้ใช้ Classification แต่ถ้าไม่มีเฉลยเลย ให้ใช้ Clustering

2. วงจรการพัฒนาโมเดล (CRISP-DM)

CRISP-DM (Cross-Industry Standard Process for Data Mining) เป็นกระบวนการมาตรฐาน 6 ขั้นตอน ที่ใช้พัฒนางาน ML อย่างเป็นระบบ ดังนี้

ขั้นที่ 1 Business Understanding (เข้าใจปัญหา) – กำหนดเป้าหมายให้ชัดเจน เช่น “ต้องการทำนายว่าลูกค้าคนใดมีแนวโน้มยกเลิกบริการ”

ขั้นที่ 2 Data Understanding (เข้าใจข้อมูล) – สำรวจว่ามีข้อมูลอะไรบ้าง กี่แถว กี่คอลัมน์ คุณภาพเป็นอย่างไร ด้วยการวิเคราะห์เชิงสำรวจ (EDA)

ขั้นที่ 3 Data Preparation (เตรียมข้อมูล) – ทำความสะอาด เติมค่าที่หายไป เข้ารหัสข้อมูล และปรับสเกล ขั้นนี้มักใช้เวลามากที่สุด (60–80% ของงาน)

ขั้นที่ 4 Modeling (สร้างโมเดล) – เลือกอัลกอริทึมที่เหมาะสมและฝึก (Fit) โมเดลด้วยข้อมูล Train

ขั้นที่ 5 Evaluation (ประเมินผล) – วัดผลด้วยตัวชี้วัด เช่น Accuracy, F1 เพื่อตัดสินว่าโมเดลดีพอสำหรับใช้งานจริงหรือไม่

ขั้นที่ 6 Deployment (นำไปใช้งาน) – นำโมเดลไปใช้งานจริงและติดตามผลอย่างต่อเนื่อง

ข้อสังเกต: CRISP-DM เป็น “วงจร” ไม่ใช่เส้นตรง หากประเมินแล้วผลไม่ดี สามารถวนกลับไปปรับปรุงขั้นก่อนหน้า เช่น เตรียมข้อมูลใหม่หรือเปลี่ยนอัลกอริทึมได้

3. การเตรียมข้อมูล (Data Preparation) ทีละขั้นตอน

คุณภาพของโมเดลขึ้นอยู่กับคุณภาพของข้อมูลโดยตรง (Garbage in, garbage out) การเตรียมข้อมูลจึงมี 4 ขั้นตอนหลัก ดังนี้

3.1 การจัดการค่าที่หายไป (Missing Value)

ขั้นแรกให้ตรวจนับค่าว่างในแต่ละคอลัมน์ก่อน จากนั้นเลือกวิธีจัดการ 1 ใน 3 วิธี คือ (1) ลบแถวทิ้ง เมื่อค่าที่หายมีจำนวนน้อยมาก (2) เติมค่าเฉลี่ยหรือมัธยฐาน สำหรับข้อมูลตัวเลข (3) เติมฐานนิยม (ค่าที่พบบ่อยที่สุด) สำหรับข้อมูลประเภทข้อความ

3.2 การจัดการค่าผิดปกติ (Outlier) ด้วยวิธี IQR

คำนวณ IQR = Q3 − Q1 แล้วกำหนดขอบเขตปกติเป็น [Q1 − 1.5×IQR, Q3 + 1.5×IQR] ค่าที่อยู่นอกขอบเขตนี้ถือเป็น Outlier ตัวอย่าง: ถ้า Q1 = 10 และ Q3 = 20 จะได้ IQR = 10 ขอบเขตปกติคือ −5 ถึง 35 ดังนั้นค่า 80 จึงเป็น Outlier ที่ควรตรวจสอบหรือตัดทิ้ง

3.3 การเข้ารหัสตัวแปรเชิงคุณภาพ (Encoding)

คอมพิวเตอร์คำนวณได้เฉพาะตัวเลข จึงต้องแปลงข้อความเป็นตัวเลขก่อน มี 2 วิธีหลัก คือ Label Encoding แทนค่าด้วยเลขลำดับ (เช่น เล็ก=0 กลาง=1 ใหญ่=2 เหมาะกับข้อมูลที่มีลำดับ) และ One-Hot Encoding สร้างคอลัมน์ใหม่เป็น 0/1 ต่อหนึ่งค่า (เหมาะกับข้อมูลไม่มีลำดับ เช่น สี จังหวัด)

3.4 การปรับสเกลข้อมูล (Feature Scaling)

ใช้เมื่อคุณลักษณะมีหน่วยต่างกันมาก เช่น อายุ (0–100) กับรายได้ (0–100,000) มี 2 สูตรหลัก คือ Min-Max Normalization: x' = (x − min) / (max − min) ให้ค่าอยู่ในช่วง 0–1 และ Z-score Standardization: z = (x − μ) / σ ให้ค่าเฉลี่ยเป็น 0 ส่วนเบี่ยงเบนมาตรฐานเป็น 1 ตัวอย่าง: คะแนน 75 เมื่อค่าเฉลี่ย = 60 และ σ = 10 จะได้ z = (75 − 60) / 10 = 1.5

ข้อควรระวัง: ต้องแบ่งข้อมูล Train/Test ก่อน แล้วจึง Fit Scaler กับข้อมูล Train เท่านั้น มิฉะนั้นข้อมูลของชุดทดสอบจะรั่วเข้าไปในการฝึก (Data Leakage) ทำให้ผลประเมินดีเกินจริง

4. อัลกอริทึม Supervised Learning

อัลกอริทึมพื้นฐานที่ควรรู้จักและหลักการทำงานโดยย่อ แสดงดังตาราง

อัลกอริทึม	หลักการทำงานโดยย่อ	เหมาะกับงาน
Linear Regression	ลากเส้นตรง y = a + bx ให้พอดีกับข้อมูลมากที่สุด	ทำนายค่าต่อเนื่อง เช่น ราคา ยอดขาย
Logistic Regression	คำนวณความน่าจะเป็นด้วยฟังก์ชัน Sigmoid (ค่า 0–1)	จำแนก 2 กลุ่ม เช่น ผ่าน/ไม่ผ่าน
Decision Tree	สร้างกฎ “ถ้า–แล้ว” เป็นลำดับชั้นเหมือนกิ่งต้นไม้	งานจำแนกที่ต้องอธิบายเหตุผลได้ง่าย
K-Nearest Neighbors (KNN)	ดูเพื่อนบ้านที่ใกล้ที่สุด K ตัว แล้วโหวตเสียงข้างมาก	ข้อมูลขนาดเล็ก (ต้องปรับสเกลก่อนเสมอ)

4.1 ตัวชี้วัดงานจำแนกประเภท (Classification Metrics)

การประเมินเริ่มจากตารางความสับสน (Confusion Matrix) ซึ่งเปรียบเทียบค่าจริงกับค่าที่โมเดลทำนาย

	ทำนาย: Positive	ทำนาย: Negative
ค่าจริง: Positive	TP (ถูก)	FN (ผิด)
ค่าจริง: Negative	FP (ผิด)	TN (ถูก)

• Accuracy (ความถูกต้องรวม) = (TP + TN) / จำนวนทั้งหมด

• Precision (ความแม่นยำ) = TP / (TP + FP) — ที่ทำนายว่า Positive ถูกจริงกี่ส่วน

• Recall (ความครบถ้วน) = TP / (TP + FN) — ของจริงที่เป็น Positive จับได้กี่ส่วน

• F1-Score = 2 × (Precision × Recall) / (Precision + Recall) — ค่าเฉลี่ยประสานของทั้งสอง

ตัวอย่างการคำนวณ: จากข้อมูลทดสอบ 100 ตัวอย่าง ได้ TP = 40, FN = 5, FP = 10, TN = 45 จะได้ Accuracy = (40 + 45) / 100 = 0.85, Precision = 40 / 50 = 0.80, Recall = 40 / 45 ≈ 0.89 และ F1 = 2(0.80)(0.89) / (0.80 + 0.89) ≈ 0.84

4.2 ตัวชี้วัดงานทำนายค่าต่อเนื่อง (Regression Metrics)

MAE (Mean Absolute Error) คือค่าเฉลี่ยของ |ค่าจริง − ค่าทำนาย| ส่วน RMSE (Root Mean Squared Error) คือรากที่สองของค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง ซึ่งลงโทษความคลาดเคลื่อนขนาดใหญ่มากกว่า MAE ทั้งสองค่ายิ่งต่ำยิ่งดี

4.3 ตัวอย่างโค้ดฝึกโมเดลจำแนกดอกไอริส

5. อัลกอริทึม Unsupervised Learning

5.1 K-Means Clustering

K-Means แบ่งข้อมูลออกเป็น K กลุ่มโดยพยายามให้ผลรวมระยะห่างภายในกลุ่ม (WCSS) ต่ำที่สุด มีขั้นตอนการทำงาน 4 ขั้น คือ

ขั้นที่ 1 สุ่มตำแหน่งจุดศูนย์กลาง (Centroid) จำนวน K จุด

ขั้นที่ 2 จัดข้อมูลแต่ละจุดเข้ากลุ่มของ Centroid ที่อยู่ใกล้ที่สุด

ขั้นที่ 3 คำนวณ Centroid ใหม่จากค่าเฉลี่ยของสมาชิกในกลุ่ม

ขั้นที่ 4 ทำซ้ำขั้นที่ 2–3 จนกว่า Centroid จะไม่เปลี่ยนตำแหน่ง

5.2 การเลือกจำนวนกลุ่ม K ที่เหมาะสม

ใช้ Elbow Method โดยพล็อตค่า WCSS เทียบกับค่า K = 1, 2, 3, ... แล้วเลือกจุดที่กราฟเริ่มหักลดลงช้า (จุดข้อศอก) หรือใช้ Silhouette Score (ช่วง −1 ถึง 1 ยิ่งใกล้ 1 กลุ่มยิ่งแยกจากกันชัด)

5.3 Hierarchical Clustering

สร้างกลุ่มแบบลำดับชั้นโดยรวมกลุ่มที่ใกล้กันทีละคู่ แล้วแสดงผลเป็นแผนภาพต้นไม้ (Dendrogram) ผู้ใช้เลือกจำนวนกลุ่มได้โดย “ตัด” ต้นไม้ที่ระดับความสูงที่ต้องการ

6. การประเมินและปรับจูนโมเดล

6.1 การแบ่งข้อมูล

แบ่งข้อมูลเป็น 3 ส่วน คือ Train (ใช้สอนโมเดล) Validation (ใช้ปรับจูน) และ Test (ใช้สอบจริง ใช้ครั้งเดียวตอนท้าย) ด้วยอัตราส่วน 70:15:15 หรือ 60:20:20 ถ้าข้อมูลน้อยอาจแบ่งเพียง Train/Test 80:20 แล้วใช้ Cross Validation แทน Validation

6.2 Overfitting และ Underfitting

อาการ	คะแนน Train	คะแนน Test	วิธีแก้
Underfitting (โมเดลง่ายเกินไป)	ต่ำ	ต่ำ	เพิ่มความซับซ้อนของโมเดล เพิ่มคุณลักษณะ
Overfitting (จำข้อสอบ)	สูงมาก	ต่ำกว่ามาก	ลดความซับซ้อน เพิ่มข้อมูล ใช้ Cross Validation
พอดี (Good Fit)	ดี	ใกล้เคียง Train	—

6.3 k-fold Cross Validation

แบ่งข้อมูลเป็น k ส่วนเท่า ๆ กัน (นิยม k = 5 หรือ 10) แล้วผลัดกันใช้ 1 ส่วนเป็นชุดทดสอบ อีก k−1 ส่วนเป็นชุดฝึก ทำครบ k รอบแล้วเฉลี่ยผล วิธีนี้ให้ผลน่าเชื่อถือกว่าการแบ่งครั้งเดียว เพราะทุกตัวอย่างได้เป็นชุดทดสอบ 1 ครั้ง

6.4 การปรับจูนไฮเปอร์พารามิเตอร์ (Hyperparameter Tuning)