ml/ library Learn by doing
ALGORITHM 12 · PYTHON / JAVASCRIPT

Markov Chain

ทำนายสถานะถัดไปจากสถานะปัจจุบันและโอกาสการเปลี่ยน

LEARNING LEVEL1
พื้นฐานควรรู้มาก่อน · ความน่าจะเป็นแบบมีเงื่อนไขและ state
ลองใน Playground

01Overall Concept

OVERALL CONCEPT

ไอเดียหลัก — Markov Chain อธิบายระบบด้วย states และ transition matrix โดยสมมติว่าอนาคตถัดไปขึ้นกับสถานะปัจจุบัน เมื่อคูณการกระจายซ้ำหลายครั้งจะเห็นโอกาสของแต่ละสถานะในอนาคต

ลองนึกภาพว่า — เหมือนเกมกระดานที่ช่องปัจจุบันบอกโอกาสว่าจะไปช่องใดต่อ โดยไม่ต้องจำเส้นทางทั้งหมดที่ผ่านมา

ตัวอย่างการนำไปใช้ — พฤติกรรมลูกค้า สถานะเครื่องจักร การเดินสุ่ม และแบบจำลองลำดับพื้นฐาน

02อธิบายภาษาคนเข้าใจง่ายๆ

เล่าแบบไม่ใช้ศัพท์ยาก

Markov Chain เริ่มจากคำถามง่าย ๆ ว่า ทำนายสถานะถัดไปจากสถานะปัจจุบันและโอกาสการเปลี่ยน วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ

เหมือนเกมกระดานที่ช่องปัจจุบันบอกโอกาสว่าจะไปช่องใดต่อ โดยไม่ต้องจำเส้นทางทั้งหมดที่ผ่านมา ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน

Markov Chain อธิบายระบบด้วย states และ transition matrix โดยสมมติว่าอนาคตถัดไปขึ้นกับสถานะปัจจุบัน เมื่อคูณการกระจายซ้ำหลายครั้งจะเห็นโอกาสของแต่ละสถานะในอนาคต พารามิเตอร์หลักใน Playground คือ จำนวนก้าว เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ

ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ Sunny→[0.8,0.2] · Rainy→[0.4,0.6] เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก

งานที่เหมาะ เช่น พฤติกรรมลูกค้า สถานะเครื่องจักร การเดินสุ่ม และแบบจำลองลำดับพื้นฐาน ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า

ภาพจำ: หลัง 6 ก้าว → P(Sunny) และ P(Rainy) พร้อมจำข้อจำกัดสำคัญว่า สมมติฐาน memoryless อาจไม่ตรงระบบจริง transition อาจเปลี่ยนตามเวลา และข้อมูลน้อยทำให้ค่าประมาณไม่นิ่ง

03How it works

ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ

  1. เตรียมข้อมูลให้ตรงโจทย์

    transition matrix ที่แต่ละแถวรวมเป็นหนึ่ง และ initial probability vector ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล

  2. ตั้งค่าที่ควบคุมพฤติกรรม

    ใช้ steps เพื่อจำนวนช่วงเวลาที่พยากรณ์ และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้

  3. คำนวณแก่นของวิธี

    กำหนดเวกเตอร์ p₀ และเมทริกซ์ P จากนั้น คำนวณ pₜ₊₁=pₜP Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ

  4. สร้างผลลัพธ์ที่นำไปอ่านได้

    ทำซ้ำตาม steps และตรวจผลรวมเท่ากับหนึ่ง ผลที่ได้คือ โอกาสของแต่ละ state ในแต่ละก้าว ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล

  5. ตรวจว่าคำตอบใช้ได้จริง

    เปรียบเทียบหลายค่าของ steps ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า สมมติฐาน memoryless อาจไม่ตรงระบบจริง transition อาจเปลี่ยนตามเวลา และข้อมูลน้อยทำให้ค่าประมาณไม่นิ่ง

เปิดตัวอย่างโค้ดเพื่อลองทำตาม →ตัวอย่างตัวเลขในเรื่องใช้ช่วยอธิบาย ส่วนโค้ดและ Playground ใช้ชุดข้อมูลสาธิตของแต่ละหน้าอ่านเอกสารอ้างอิงของเทคนิคนี้ ↗

ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ

DATA INX · featuresy · targetSunny→[0.8,0.2] · Rainy→[0.4,0.6]
CALCULATEMarkov Chain
stepstransition_matrixinitial_state
RESULTnumeric predictionหลัง 6 ก้าว → P(Sunny) และ P(Rainy)
เส้นทางของข้อมูล: จากค่าที่รับเข้า ผ่านการคำนวณด้วยพารามิเตอร์ ไปเป็นผลลัพธ์
INPUT

ข้อมูลที่รับเข้ามา

transition matrix ที่แต่ละแถวรวมเป็นหนึ่ง และ initial probability vector

Sunny→[0.8,0.2] · Rainy→[0.4,0.6]
PARAMETERS

พารามิเตอร์ที่ใช้

steps
จำนวนช่วงเวลาที่พยากรณ์
transition_matrix
โอกาสย้ายจาก state หนึ่งไปอีก state
initial_state
การกระจายความน่าจะเป็นเริ่มต้น
OUTPUT

ผลลัพธ์ที่ได้

โอกาสของแต่ละ state ในแต่ละก้าว

หลัง 6 ก้าว → P(Sunny) และ P(Rainy)
CALCULATION

คำนวณทีละขั้น

  1. 01

    กำหนดเวกเตอร์ p₀ และเมทริกซ์ P

  2. 02

    คำนวณ pₜ₊₁=pₜP

  3. 03

    ทำซ้ำตาม steps และตรวจผลรวมเท่ากับหนึ่ง

ควรรู้อีกนิด — สมมติฐาน memoryless อาจไม่ตรงระบบจริง transition อาจเปลี่ยนตามเวลา และข้อมูลน้อยทำให้ค่าประมาณไม่นิ่ง

04Make it yours

Python · NumPy
# ติดตั้ง: pip install numpyimport numpy as np P = np.array([[.8, .2], [.4, .6]])  # rows: current, columns: nextp = np.array([1., 0.])              # เริ่มที่ Sunnyfor step in range(6):    p = p @ P    print(step + 1, {"Sunny": p[0], "Rainy": p[1]})assert np.allclose(P.sum(axis=1), 1) and np.isclose(p.sum(), 1)

โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด

05Learn by playing

ปรับ จำนวนก้าว แล้วสังเกตรูปแบบคำทำนายและตัวชี้วัดที่คำนวณใหม่ทันที

Two-state chain / Future probability● คำนวณใหม่เมื่อปรับค่า
จำนวนครั้งที่คูณ transition matrix ไปข้างหน้า
ข้อมูลฝึกและผลการทำนายFeature xค่าจริง • / ค่าทำนาย —
P(Sunny)0.668
P(Rainy)0.332
พารามิเตอร์ที่ลอง6

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