ml/ library Learn by doing
ALGORITHM 66 · PYTHON / JAVASCRIPT

Gamma Regression

ทำนายค่าบวกที่เบ้ขวาและมีความแปรปรวนเพิ่มตามค่าเฉลี่ย

LEARNING LEVEL3
ผสานหลายแนวคิดควรรู้มาก่อน · Generalized Linear Model และ Gamma distribution
ลองใน Playground

01Overall Concept

OVERALL CONCEPT

ไอเดียหลัก — Gamma Regression เป็น GLM สำหรับ target ต่อเนื่องที่มากกว่าศูนย์ โดยมักใช้ log link เพื่อให้ค่าทำนายเป็นบวกและตีความ coefficient แบบอัตราส่วน

ลองนึกภาพว่า — เหมือนประเมินค่าซ่อมที่ส่วนใหญ่ไม่สูง แต่มีบางกรณีแพงมาก และความผันผวนเพิ่มตามขนาดค่าใช้จ่าย

ตัวอย่างการนำไปใช้ — ค่ารักษา ระยะเวลา ค่าเสียหาย หรือมูลค่าบวกที่ distribution เบ้ขวา

02อธิบายภาษาคนเข้าใจง่ายๆ

เล่าแบบไม่ใช้ศัพท์ยาก

Gamma Regression เริ่มจากคำถามง่าย ๆ ว่า ทำนายค่าบวกที่เบ้ขวาและมีความแปรปรวนเพิ่มตามค่าเฉลี่ย วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ

เหมือนประเมินค่าซ่อมที่ส่วนใหญ่ไม่สูง แต่มีบางกรณีแพงมาก และความผันผวนเพิ่มตามขนาดค่าใช้จ่าย ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน

Gamma Regression เป็น GLM สำหรับ target ต่อเนื่องที่มากกว่าศูนย์ โดยมักใช้ log link เพื่อให้ค่าทำนายเป็นบวกและตีความ coefficient แบบอัตราส่วน พารามิเตอร์หลักใน Playground คือ Regularization α เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ

ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ 60 ค่า positive skew · ไม่มีศูนย์หรือติดลบ เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก

งานที่เหมาะ เช่น ค่ารักษา ระยะเวลา ค่าเสียหาย หรือมูลค่าบวกที่ distribution เบ้ขวา ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า

ภาพจำ: ค่าทำนายทุกจุดเป็นบวกแม้ linear predictor เป็นลบ พร้อมจำข้อจำกัดสำคัญว่า ใช้กับศูนย์หรือค่าติดลบไม่ได้โดยตรง และ distribution ที่มีหางต่างจาก Gamma อาจต้องโมเดลชนิดอื่น

03How it works

ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ

  1. เตรียมข้อมูลให้ตรงโจทย์

    X และ y ต่อเนื่องที่ต้องมากกว่าศูนย์ ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล

  2. ตั้งค่าที่ควบคุมพฤติกรรม

    ใช้ alpha เพื่อควบคุม L2 regularization และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้

  3. คำนวณแก่นของวิธี

    สร้าง η=Xβ จากนั้น ใช้ inverse link ให้ μ=exp(η) Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ

  4. สร้างผลลัพธ์ที่นำไปอ่านได้

    ลด Gamma deviance พร้อม regularization ผลที่ได้คือ ค่าบวกที่ทำนาย coefficients และ deviance ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล

  5. ตรวจว่าคำตอบใช้ได้จริง

    เปรียบเทียบหลายค่าของ alpha ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า ใช้กับศูนย์หรือค่าติดลบไม่ได้โดยตรง และ distribution ที่มีหางต่างจาก Gamma อาจต้องโมเดลชนิดอื่น

เปิดตัวอย่างโค้ดเพื่อลองทำตาม →ตัวอย่างตัวเลขในเรื่องใช้ช่วยอธิบาย ส่วนโค้ดและ Playground ใช้ชุดข้อมูลสาธิตของแต่ละหน้าอ่านเอกสารอ้างอิงของเทคนิคนี้ ↗

ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ

DATA INX · featuresy · target60 ค่า positive skew · ไม่มีศูนย์หรือติดลบ
CALCULATEGamma Regression
alphafit_interceptsolver
RESULTnumeric predictionค่าทำนายทุกจุดเป็นบวกแม้ linear predictor เป็นลบ
เส้นทางของข้อมูล: จากค่าที่รับเข้า ผ่านการคำนวณด้วยพารามิเตอร์ ไปเป็นผลลัพธ์
INPUT

ข้อมูลที่รับเข้ามา

X และ y ต่อเนื่องที่ต้องมากกว่าศูนย์

60 ค่า positive skew · ไม่มีศูนย์หรือติดลบ
PARAMETERS

พารามิเตอร์ที่ใช้

alpha
ควบคุม L2 regularization
fit_intercept
เพิ่ม baseline บน log scale
solver
เลือก optimization algorithm
OUTPUT

ผลลัพธ์ที่ได้

ค่าบวกที่ทำนาย coefficients และ deviance

ค่าทำนายทุกจุดเป็นบวกแม้ linear predictor เป็นลบ
CALCULATION

คำนวณทีละขั้น

  1. 01

    สร้าง η=Xβ

  2. 02

    ใช้ inverse link ให้ μ=exp(η)

  3. 03

    ลด Gamma deviance พร้อม regularization

ควรรู้อีกนิด — ใช้กับศูนย์หรือค่าติดลบไม่ได้โดยตรง และ distribution ที่มีหางต่างจาก Gamma อาจต้องโมเดลชนิดอื่น

04Make it yours

Python · scikit-learn
# ติดตั้ง: pip install numpy scikit-learnimport numpy as np data = np.genfromtxt("gamma-regression-sample.csv", delimiter=",", skip_header=1)X = data[:, :2] y, X = data[:, 1], data[:, :1]from sklearn.linear_model import GammaRegressorfrom sklearn.metrics import mean_gamma_deviance model = GammaRegressor(alpha=0.3, max_iter=1000).fit(X, y)pred = model.predict(X)print("Coefficients:", model.coef_, model.intercept_)print("Mean deviance:", mean_gamma_deviance(y, pred))print("Predictions:", pred[:8])

โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด

05Learn by playing

ปรับ Regularization α แล้วสังเกตรูปแบบคำทำนายและตัวชี้วัดที่คำนวณใหม่ทันที

Sample dataset / Curved signal● คำนวณใหม่เมื่อปรับค่า
L2 penalty สำหรับคุม coefficients
ข้อมูลฝึกและผลการทำนายFeature xค่าจริง • / ค่าทำนาย —
Deviance proxy0.395
Linklog
พารามิเตอร์ที่ลอง0.3

Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ scikit-learn จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง