01Overall Concept
ไอเดียหลัก — Markov Chain อธิบายระบบด้วย states และ transition matrix โดยสมมติว่าอนาคตถัดไปขึ้นกับสถานะปัจจุบัน เมื่อคูณการกระจายซ้ำหลายครั้งจะเห็นโอกาสของแต่ละสถานะในอนาคต
ลองนึกภาพว่า — เหมือนเกมกระดานที่ช่องปัจจุบันบอกโอกาสว่าจะไปช่องใดต่อ โดยไม่ต้องจำเส้นทางทั้งหมดที่ผ่านมา
ตัวอย่างการนำไปใช้ — พฤติกรรมลูกค้า สถานะเครื่องจักร การเดินสุ่ม และแบบจำลองลำดับพื้นฐาน
02อธิบายภาษาคนเข้าใจง่ายๆ
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
เตรียมข้อมูลให้ตรงโจทย์
transition matrix ที่แต่ละแถวรวมเป็นหนึ่ง และ initial probability vector ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ steps เพื่อจำนวนช่วงเวลาที่พยากรณ์ และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
กำหนดเวกเตอร์ p₀ และเมทริกซ์ P จากนั้น คำนวณ pₜ₊₁=pₜP Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
ทำซ้ำตาม steps และตรวจผลรวมเท่ากับหนึ่ง ผลที่ได้คือ โอกาสของแต่ละ state ในแต่ละก้าว ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ steps ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า สมมติฐาน memoryless อาจไม่ตรงระบบจริง transition อาจเปลี่ยนตามเวลา และข้อมูลน้อยทำให้ค่าประมาณไม่นิ่ง
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
stepstransition_matrixinitial_stateข้อมูลที่รับเข้ามา
transition matrix ที่แต่ละแถวรวมเป็นหนึ่ง และ initial probability vector
Sunny→[0.8,0.2] · Rainy→[0.4,0.6]พารามิเตอร์ที่ใช้
- steps
- จำนวนช่วงเวลาที่พยากรณ์
- transition_matrix
- โอกาสย้ายจาก state หนึ่งไปอีก state
- initial_state
- การกระจายความน่าจะเป็นเริ่มต้น
ผลลัพธ์ที่ได้
โอกาสของแต่ละ state ในแต่ละก้าว
หลัง 6 ก้าว → P(Sunny) และ P(Rainy)คำนวณทีละขั้น
- 01
กำหนดเวกเตอร์ p₀ และเมทริกซ์ P
- 02
คำนวณ pₜ₊₁=pₜP
- 03
ทำซ้ำตาม steps และตรวจผลรวมเท่ากับหนึ่ง
ควรรู้อีกนิด — สมมติฐาน memoryless อาจไม่ตรงระบบจริง transition อาจเปลี่ยนตามเวลา และข้อมูลน้อยทำให้ค่าประมาณไม่นิ่ง
04Make it yours
# 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
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ NumPy จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง