ml/ library Learn by doing
ALGORITHM 43 · PYTHON / JAVASCRIPT

Moving Average Model

อธิบายค่าปัจจุบันด้วยความผิดพลาดที่เกิดขึ้นในช่วงก่อนหน้า

LEARNING LEVEL2
ต่อยอดโดยตรงควรรู้มาก่อน · ลำดับเวลา residual และ autocorrelation
ลองใน Playground

01Overall Concept

OVERALL CONCEPT

ไอเดียหลัก — Moving Average Model หรือ MA(q) ใช้ shock หรือ residual ย้อนหลัง q ช่วงเป็นส่วนประกอบของค่าปัจจุบัน จึงต่างจากค่าเฉลี่ยเลื่อนหน้าต่างที่ใช้ปรับเส้นให้เรียบ

ลองนึกภาพว่า — เหมือนยอดขายวันนี้ยังได้รับแรงสะเทือนจากข่าวที่ทำให้การคาดการณ์เมื่อวานและวันก่อนพลาด

ตัวอย่างการนำไปใช้ — จำลอง shock ระยะสั้น ลด autocorrelation ที่เหลือ และเป็นส่วนประกอบของ ARMA หรือ ARIMA

02อธิบายภาษาคนเข้าใจง่ายๆ

เล่าแบบไม่ใช้ศัพท์ยาก

Moving Average Model เริ่มจากคำถามง่าย ๆ ว่า อธิบายค่าปัจจุบันด้วยความผิดพลาดที่เกิดขึ้นในช่วงก่อนหน้า วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ

เหมือนยอดขายวันนี้ยังได้รับแรงสะเทือนจากข่าวที่ทำให้การคาดการณ์เมื่อวานและวันก่อนพลาด ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน

Moving Average Model หรือ MA(q) ใช้ shock หรือ residual ย้อนหลัง q ช่วงเป็นส่วนประกอบของค่าปัจจุบัน จึงต่างจากค่าเฉลี่ยเลื่อนหน้าต่างที่ใช้ปรับเส้นให้เรียบ พารามิเตอร์หลักใน Playground คือ อันดับ MA q เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ

ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ 60 ช่วงเวลา · ทดลอง MA(1) ถึง MA(8) เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก

งานที่เหมาะ เช่น จำลอง shock ระยะสั้น ลด autocorrelation ที่เหลือ และเป็นส่วนประกอบของ ARMA หรือ ARIMA ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า

ภาพจำ: MA(2): y(t)=μ+ε(t)+θ₁ε(t-1)+θ₂ε(t-2) พร้อมจำข้อจำกัดสำคัญว่า residual ในอนาคตยังไม่ทราบและถือว่าค่าเฉลี่ยเป็นศูนย์ การเลือก q จากข้อมูลชุดเดียวอาจตาม noise มากเกินไป

03How it works

ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ

  1. เตรียมข้อมูลให้ตรงโจทย์

    y เป็นอนุกรม stationary และ residual เป็นนวัตกรรมที่โมเดลยังอธิบายไม่ได้ ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล

  2. ตั้งค่าที่ควบคุมพฤติกรรม

    ใช้ q เพื่อกำหนดจำนวน residual lag และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้

  3. คำนวณแก่นของวิธี

    กำหนด residual เป็นส่วนต่างจากค่าคาด จากนั้น ประมาณน้ำหนัก θ ของ residual ย้อนหลัง Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ

  4. สร้างผลลัพธ์ที่นำไปอ่านได้

    รวมค่าเฉลี่ยกับ shock ที่ถ่วงน้ำหนักเพื่อ forecast ผลที่ได้คือ ค่า θ residual fitted values และ forecast ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล

  5. ตรวจว่าคำตอบใช้ได้จริง

    เปรียบเทียบหลายค่าของ q ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า residual ในอนาคตยังไม่ทราบและถือว่าค่าเฉลี่ยเป็นศูนย์ การเลือก q จากข้อมูลชุดเดียวอาจตาม noise มากเกินไป

เปิดตัวอย่างโค้ดเพื่อลองทำตาม →ตัวอย่างตัวเลขในเรื่องใช้ช่วยอธิบาย ส่วนโค้ดและ Playground ใช้ชุดข้อมูลสาธิตของแต่ละหน้าอ่านเอกสารอ้างอิงของเทคนิคนี้ ↗

ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ

DATA INX · featuresy · target60 ช่วงเวลา · ทดลอง MA(1) ถึง MA(8)
CALCULATEMoving Average Model
qtrendenforce_invertibility
RESULTnumeric predictionMA(2): y(t)=μ+ε(t)+θ₁ε(t-1)+θ₂ε(t-2)
เส้นทางของข้อมูล: จากค่าที่รับเข้า ผ่านการคำนวณด้วยพารามิเตอร์ ไปเป็นผลลัพธ์
INPUT

ข้อมูลที่รับเข้ามา

y เป็นอนุกรม stationary และ residual เป็นนวัตกรรมที่โมเดลยังอธิบายไม่ได้

60 ช่วงเวลา · ทดลอง MA(1) ถึง MA(8)
PARAMETERS

พารามิเตอร์ที่ใช้

q
กำหนดจำนวน residual lag
trend
กำหนดค่าคงที่หรือแนวโน้ม
enforce_invertibility
บังคับเงื่อนไขที่ทำให้แทนโมเดลได้เสถียร
OUTPUT

ผลลัพธ์ที่ได้

ค่า θ residual fitted values และ forecast

MA(2): y(t)=μ+ε(t)+θ₁ε(t-1)+θ₂ε(t-2)
CALCULATION

คำนวณทีละขั้น

  1. 01

    กำหนด residual เป็นส่วนต่างจากค่าคาด

  2. 02

    ประมาณน้ำหนัก θ ของ residual ย้อนหลัง

  3. 03

    รวมค่าเฉลี่ยกับ shock ที่ถ่วงน้ำหนักเพื่อ forecast

ควรรู้อีกนิด — residual ในอนาคตยังไม่ทราบและถือว่าค่าเฉลี่ยเป็นศูนย์ การเลือก q จากข้อมูลชุดเดียวอาจตาม noise มากเกินไป

04Make it yours

Python · statsmodels
# ติดตั้ง: pip install numpy statsmodelsimport numpy as np data = np.genfromtxt("moving-average-model-sample.csv", delimiter=",", skip_header=1)X = data[:, :2] from statsmodels.tsa.arima.model import ARIMA y = data[:, 1]model = ARIMA(y, order=(0, 0, 2), trend="c").fit()print("MA parameters:", model.maparams)print("Forecast:", model.forecast(6))print("AIC:", model.aic)

โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด

05Learn by playing

ปรับ อันดับ MA q แล้วสังเกตรูปแบบคำทำนายและตัวชี้วัดที่คำนวณใหม่ทันที

Sample time series / Fitted signal● คำนวณใหม่เมื่อปรับค่า
จำนวน residual ก่อนหน้าที่เข้ามามีผล
ข้อมูลฝึกและผลการทำนายFeature xค่าจริง • / ค่าทำนาย —
In-sample RMSE2.669
ค่าล่าสุดที่กรองได้35.15
พารามิเตอร์ที่ลอง2

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