01Overall Concept
ไอเดียหลัก — PLS Regression หา latent components จาก X ที่มี covariance กับ target สูง แล้วถดถอย y บนแกนเหล่านั้น จึงเหมาะเมื่อ feature มากและสัมพันธ์กันสูง
ลองนึกภาพว่า — เหมือนย่อรายงานหลายร้อยหน้าโดยเลือกประเด็นที่สัมพันธ์กับคำถามปลายทาง แทนการเลือกเฉพาะประเด็นที่พบมากที่สุด
ตัวอย่างการนำไปใช้ — spectroscopy chemometrics ข้อมูลยีน และ regression ที่มีคอลัมน์มากกว่าตัวอย่าง
02อธิบายภาษาคนเข้าใจง่ายๆ
Partial Least Squares Regression เริ่มจากคำถามง่าย ๆ ว่า สร้างแกนย่อที่มองทั้งความแปรปรวนของ X และความสัมพันธ์กับ y วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ
เหมือนย่อรายงานหลายร้อยหน้าโดยเลือกประเด็นที่สัมพันธ์กับคำถามปลายทาง แทนการเลือกเฉพาะประเด็นที่พบมากที่สุด ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน
PLS Regression หา latent components จาก X ที่มี covariance กับ target สูง แล้วถดถอย y บนแกนเหล่านั้น จึงเหมาะเมื่อ feature มากและสัมพันธ์กันสูง พารามิเตอร์หลักใน Playground คือ จำนวน latent components เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ
ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ 6 features ที่สร้างจาก x → latent components → y เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก
งานที่เหมาะ เช่น spectroscopy chemometrics ข้อมูลยีน และ regression ที่มีคอลัมน์มากกว่าตัวอย่าง ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า
ภาพจำ: component แรกเน้นทิศของ X ที่ช่วยอธิบาย y มากที่สุด พร้อมจำข้อจำกัดสำคัญว่า component มากเกินไปทำให้ overfit และ loadings อาจตีความยากเมื่อ feature ซ้ำซ้อนสูง
03How it works
ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ
เตรียมข้อมูลให้ตรงโจทย์
X หลาย feature และ y ต่อเนื่อง โดยควรปรับสเกลคอลัมน์ ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ n_components เพื่อกำหนดความจุของ latent space และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
หา weight ของ X ที่มี covariance กับ y สูง จากนั้น สร้าง score แล้วหักส่วนที่อธิบายได้ออก Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
ถดถอย y จาก scores ของทุก component ผลที่ได้คือ ค่าทำนาย coefficients scores และ loadings ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ n_components ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า component มากเกินไปทำให้ overfit และ loadings อาจตีความยากเมื่อ feature ซ้ำซ้อนสูง
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
n_componentsscalemax_iterข้อมูลที่รับเข้ามา
X หลาย feature และ y ต่อเนื่อง โดยควรปรับสเกลคอลัมน์
6 features ที่สร้างจาก x → latent components → yพารามิเตอร์ที่ใช้
- n_components
- กำหนดความจุของ latent space
- scale
- ปรับ X และ y ให้มีหน่วยเทียบกัน
- max_iter
- จำกัดรอบของ power method
ผลลัพธ์ที่ได้
ค่าทำนาย coefficients scores และ loadings
component แรกเน้นทิศของ X ที่ช่วยอธิบาย y มากที่สุดคำนวณทีละขั้น
- 01
หา weight ของ X ที่มี covariance กับ y สูง
- 02
สร้าง score แล้วหักส่วนที่อธิบายได้ออก
- 03
ถดถอย y จาก scores ของทุก component
ควรรู้อีกนิด — component มากเกินไปทำให้ overfit และ loadings อาจตีความยากเมื่อ feature ซ้ำซ้อนสูง
04Make it yours
# ติดตั้ง: pip install numpy scikit-learnimport numpy as npdata = np.genfromtxt("partial-least-squares-regression-sample.csv", delimiter=",", skip_header=1)X, y = data[:, :6], data[:, 6]from sklearn.cross_decomposition import PLSRegressionfrom sklearn.model_selection import cross_val_score model = PLSRegression(n_components=2, scale=True)model.fit(X, y)print("Mean CV R²:", cross_val_score(model, X, y, cv=5).mean())print("X weights:\n", model.x_weights_)print("Predictions:", model.predict(X[:5]).ravel())โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด
05Learn by playing
ปรับ จำนวน latent components แล้วสังเกตรูปแบบคำทำนายและตัวชี้วัดที่คำนวณใหม่ทันที
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ scikit-learn จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง