ml/ library Learn by doing
ALGORITHM 41 · PYTHON / JAVASCRIPT

Holt Linear Trend

แยกระดับปัจจุบันออกจากแนวโน้มที่กำลังเพิ่มหรือลด

LEARNING LEVEL2
ต่อยอดโดยตรงควรรู้มาก่อน · Simple Exponential Smoothing และ trend
ลองใน Playground

01Overall Concept

OVERALL CONCEPT

ไอเดียหลัก — Holt Linear Trend เพิ่มองค์ประกอบแนวโน้มให้ exponential smoothing จึงอัปเดตทั้งระดับของอนุกรมและความชันในแต่ละช่วงเวลา แล้วนำสองส่วนมารวมกันเพื่อพยากรณ์อนาคตหลายก้าว

ลองนึกภาพว่า — เหมือนติดตามทั้งตำแหน่งรถในตอนนี้และความเร็วที่รถกำลังเคลื่อน เพื่อเดาว่าอีกหลายช่วงเวลารถจะไปอยู่ที่ใด

ตัวอย่างการนำไปใช้ — พยากรณ์ยอดขาย จำนวนผู้ใช้ หรือความต้องการที่มีแนวโน้มแต่ไม่มีฤดูกาลชัดเจน

02อธิบายภาษาคนเข้าใจง่ายๆ

เล่าแบบไม่ใช้ศัพท์ยาก

Holt Linear Trend เริ่มจากคำถามง่าย ๆ ว่า แยกระดับปัจจุบันออกจากแนวโน้มที่กำลังเพิ่มหรือลด วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ

เหมือนติดตามทั้งตำแหน่งรถในตอนนี้และความเร็วที่รถกำลังเคลื่อน เพื่อเดาว่าอีกหลายช่วงเวลารถจะไปอยู่ที่ใด ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน

Holt Linear Trend เพิ่มองค์ประกอบแนวโน้มให้ exponential smoothing จึงอัปเดตทั้งระดับของอนุกรมและความชันในแต่ละช่วงเวลา แล้วนำสองส่วนมารวมกันเพื่อพยากรณ์อนาคตหลายก้าว พารามิเตอร์หลักใน Playground คือ น้ำหนักแนวโน้ม β เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ

ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ 60 ช่วงเวลา · มีระดับและแนวโน้มเพิ่มขึ้น เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก

งานที่เหมาะ เช่น พยากรณ์ยอดขาย จำนวนผู้ใช้ หรือความต้องการที่มีแนวโน้มแต่ไม่มีฤดูกาลชัดเจน ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า

ภาพจำ: forecast h ก้าว = level + h × trend พร้อมจำข้อจำกัดสำคัญว่า แนวโน้มเชิงเส้นอาจพุ่งไกลเกินจริงเมื่อพยากรณ์ระยะยาว และวิธีนี้ไม่อธิบายฤดูกาลหรือเหตุการณ์ภายนอก

03How it works

ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ

  1. เตรียมข้อมูลให้ตรงโจทย์

    y เป็นค่าที่เรียงตามเวลาและมีช่วงเวลาสม่ำเสมอ ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล

  2. ตั้งค่าที่ควบคุมพฤติกรรม

    ใช้ smoothing_trend เพื่อควบคุมน้ำหนักของแนวโน้มล่าสุด และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้

  3. คำนวณแก่นของวิธี

    อัปเดตระดับจากค่าจริงและค่าคาดก่อนหน้า จากนั้น อัปเดตแนวโน้มจากการเปลี่ยนของระดับ Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ

  4. สร้างผลลัพธ์ที่นำไปอ่านได้

    พยากรณ์ด้วยระดับบวกแนวโน้มคูณจำนวนก้าว ผลที่ได้คือ ค่าระดับ แนวโน้ม fitted values และ forecast ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล

  5. ตรวจว่าคำตอบใช้ได้จริง

    เปรียบเทียบหลายค่าของ smoothing_trend ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า แนวโน้มเชิงเส้นอาจพุ่งไกลเกินจริงเมื่อพยากรณ์ระยะยาว และวิธีนี้ไม่อธิบายฤดูกาลหรือเหตุการณ์ภายนอก

เปิดตัวอย่างโค้ดเพื่อลองทำตาม →ตัวอย่างตัวเลขในเรื่องใช้ช่วยอธิบาย ส่วนโค้ดและ Playground ใช้ชุดข้อมูลสาธิตของแต่ละหน้าอ่านเอกสารอ้างอิงของเทคนิคนี้ ↗

ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ

DATA INX · featuresy · target60 ช่วงเวลา · มีระดับและแนวโน้มเพิ่มขึ้น
CALCULATEHolt Linear Trend
smoothing_trendsmoothing_leveldamped_trend
RESULTnumeric predictionforecast h ก้าว = level + h × trend
เส้นทางของข้อมูล: จากค่าที่รับเข้า ผ่านการคำนวณด้วยพารามิเตอร์ ไปเป็นผลลัพธ์
INPUT

ข้อมูลที่รับเข้ามา

y เป็นค่าที่เรียงตามเวลาและมีช่วงเวลาสม่ำเสมอ

60 ช่วงเวลา · มีระดับและแนวโน้มเพิ่มขึ้น
PARAMETERS

พารามิเตอร์ที่ใช้

smoothing_trend
ควบคุมน้ำหนักของแนวโน้มล่าสุด
smoothing_level
ควบคุมน้ำหนักของค่าล่าสุด
damped_trend
ลดอัตราการยืดแนวโน้มในอนาคต
OUTPUT

ผลลัพธ์ที่ได้

ค่าระดับ แนวโน้ม fitted values และ forecast

forecast h ก้าว = level + h × trend
CALCULATION

คำนวณทีละขั้น

  1. 01

    อัปเดตระดับจากค่าจริงและค่าคาดก่อนหน้า

  2. 02

    อัปเดตแนวโน้มจากการเปลี่ยนของระดับ

  3. 03

    พยากรณ์ด้วยระดับบวกแนวโน้มคูณจำนวนก้าว

ควรรู้อีกนิด — แนวโน้มเชิงเส้นอาจพุ่งไกลเกินจริงเมื่อพยากรณ์ระยะยาว และวิธีนี้ไม่อธิบายฤดูกาลหรือเหตุการณ์ภายนอก

04Make it yours

Python · statsmodels
# ติดตั้ง: pip install numpy statsmodelsimport numpy as np data = np.genfromtxt("holt-linear-trend-sample.csv", delimiter=",", skip_header=1)X = data[:, :2] from statsmodels.tsa.holtwinters import Holt y = data[:, 1]model = Holt(y, initialization_method="estimated").fit(    smoothing_level=.35, smoothing_trend=0.25, optimized=False)print("Forecast:", model.forecast(6))print("Trend:", model.trend[-1])print("SSE:", model.sse)

โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด

05Learn by playing

ปรับ น้ำหนักแนวโน้ม β แล้วสังเกตรูปแบบคำทำนายและตัวชี้วัดที่คำนวณใหม่ทันที

Sample time series / Fitted signal● คำนวณใหม่เมื่อปรับค่า
ค่าสูงทำให้แนวโน้มตอบสนองต่อการเปลี่ยนแปลงล่าสุดเร็วขึ้น
ข้อมูลฝึกและผลการทำนายFeature xค่าจริง • / ค่าทำนาย —
In-sample RMSE1.335
ค่าล่าสุดที่กรองได้38.26
พารามิเตอร์ที่ลอง0.25

Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ statsmodels จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง