Page 191 - python

165

ึ
้
ุ
อบชินงานทอณหภูมิ 88°C คาดวาทนแรงดงได 2.89 หนวย

่
ี
ุ
่
้
อบชินงานทอณหภูมิ 90°C คาดวาทนแรงดงได 2.95 หนวย
ี

ึ
ึ
อบชินงานทอณหภูมิ 92°C คาดวาทนแรงดงได 3.01 หนวย
ี
่

ุ
้
่

ึ
้
อบชินงานทอณหภูมิ 94°C คาดวาทนแรงดงได 3.08 หนวย
ุ
ี
ุ
้
ึ
ี
อบชินงานทอณหภูมิ 96°C คาดวาทนแรงดงได 3.14 หนวย

่
ึ
ุ
ี
่
้
อบชินงานทอณหภูมิ 98°C คาดวาทนแรงดงได 3.20 หนวย

อบชิ้นงานที่อุณหภูมิ 100°C คาดวาทนแรงดึงได 3.27 หนวย
ตัวอยางที่ 12.10 และ 12.11 เปนการสรางสมการเสนตรงจากขอมูล x และ y โดยคํานวณหาคา
b0 และ b1 เมื่อ lambda a:a**2 หมายถึง การยกกําลังสองของขอมูล คําสั่ง lambda a,b:a*b หมายถึง

รับอารกิวเมนต 2 ตัวคือ a และ b จากนั้นนํามาคูณกัน เมื่อทดลองปอนอุณหภูมิจาก 70°C ถึง 100°C จะ

ไดคาทนแรงดึงตามผลลัพธตัวอยางที่ 12.11

12.7 Metric สําหรับวัดประสิทธิภาพของโมเดล
การวัดความถูกตองของโมเดลมีหลายตัว แบงเปน 2 กลุมใหญ 1) ปญหาดาน Regression ไดแก

MAE, MAD, MSE, MAPE , RMSE และ R2 และ 2) ปญหาดาน Classification ไดแก Accuracy,
Precision, Recall , F1-Score, F-Beta Score และ AUC
ึ้
Machine Learning เรียก การคํานวณหาคาผิดพลาดจากโมเดลที่สรางขนวา Error function
หรือ "Loss function" โดยเปาหมายของการ train คือการลดคา loss ใหมีคาต่ําที่สุด

12.8 การคํานวณคาความผิดพลาดของโมเดลดวย RMSE (Root Mean Square Error)
ํ
การคานวณความผิดพลาดของโมเดลดวยวิธี RMSE คานวณจากสูตรตอไปน ี ้
ํ

1

= × ∑( − )

เมื่อ prediction คือ คาที่คํานวณไดจากโมเดลหรือสมการที่สรางขึ้นจากกลุมขอมูล
็
actual คือ คาจริงที่ไดจากการเกบรวบรวมขอมูล

RMSE ยอจาก "Root Mean Square Error" เปนการนํา MSE มาถอด Square Root เพื่อใหได
คา loss มีหนวยเดียวกบคําตอบ คา RMSE จะแปลผลงาย เชน ถามี RMSE เทากับ 2.5 แปลวาโดยเฉลี่ย
ั
โมเดลทํานายผิดไป +/- 2.5 หนวย

ตัวอยางที่ 12.12 การเขียนโปรแกรมคํานวณ RMSE (Root Mean Square Error)
from math import sqrt
x = [70,70,70,80,80,80,90,90,90,100,100,100]
y = [2.3,2.6,2.1,2.5,2.9,2.4,3.0,3.1,2.8,3.3,3.5,3.0]
n = len(x)
xmean=sum(x)/n ; ymean=sum(y)/n