ml/ library Learn by doing
ALGORITHM 11 · PYTHON / JAVASCRIPT

Simple Exponential Smoothing

ให้น้ำหนักข้อมูลล่าสุดมากกว่าข้อมูลเก่าเพื่อพยากรณ์ระดับถัดไป

LEARNING LEVEL1
พื้นฐานควรรู้มาก่อน · ค่าเฉลี่ยถ่วงน้ำหนักและลำดับเวลา
ลองใน Playground

01Overall Concept

OVERALL CONCEPT

ไอเดียหลัก — Simple Exponential Smoothing อัปเดตระดับด้วยค่าจริงล่าสุดและระดับเดิม โดย alpha ควบคุมว่าน้ำหนักจะเอนมาทางข้อมูลใหม่มากเพียงใด เหมาะกับอนุกรมที่ไม่มีแนวโน้มหรือฤดูกาลชัดเจน

ลองนึกภาพว่า — เหมือนประมาณอุณหภูมิพรุ่งนี้จากค่าเฉลี่ยที่ค่อย ๆ ปรับ โดยเชื่อวันนี้มากกว่าวันที่ไกลออกไป

ตัวอย่างการนำไปใช้ — พยากรณ์อุปสงค์พื้นฐาน ปริมาณงาน และสัญญาณที่แกว่งรอบระดับคงที่

02อธิบายภาษาคนเข้าใจง่ายๆ

เล่าแบบไม่ใช้ศัพท์ยาก

Simple Exponential Smoothing เริ่มจากคำถามง่าย ๆ ว่า ให้น้ำหนักข้อมูลล่าสุดมากกว่าข้อมูลเก่าเพื่อพยากรณ์ระดับถัดไป วิธีนี้ไม่ได้มองข้อมูลทุกชนิดเหมือนกัน จึงต้องเตรียมข้อมูลให้ตรงกับสิ่งที่อัลกอริทึมใช้คำนวณ

เหมือนประมาณอุณหภูมิพรุ่งนี้จากค่าเฉลี่ยที่ค่อย ๆ ปรับ โดยเชื่อวันนี้มากกว่าวันที่ไกลออกไป ภาพเปรียบเทียบนี้ช่วยจำแก่นของวิธี แต่ตอนใช้งานจริงคอมพิวเตอร์ทำงานกับตัวเลขและกฎที่กำหนดไว้อย่างชัดเจน

Simple Exponential Smoothing อัปเดตระดับด้วยค่าจริงล่าสุดและระดับเดิม โดย alpha ควบคุมว่าน้ำหนักจะเอนมาทางข้อมูลใหม่มากเพียงใด เหมาะกับอนุกรมที่ไม่มีแนวโน้มหรือฤดูกาลชัดเจน พารามิเตอร์หลักใน Playground คือ alpha เมื่อเลื่อนค่า ระบบจะคำนวณผลใหม่จากข้อมูลชุดเดิม จึงเปรียบเทียบการเปลี่ยนแปลงได้ตรง ๆ

ข้อมูลตัวอย่างบนหน้าใช้รูปแบบ ยอดรายวัน [42,45,43,48,…] เราแยกสิ่งที่อัลกอริทึมรับเข้าออกจากผลลัพธ์ เพื่อไม่เผลอส่งข้อมูลคำตอบหรือข้อมูลอนาคตเข้าไปตอนฝึก

งานที่เหมาะ เช่น พยากรณ์อุปสงค์พื้นฐาน ปริมาณงาน และสัญญาณที่แกว่งรอบระดับคงที่ ก่อนใช้จริงควรกำหนด metric ที่สัมพันธ์กับเป้าหมาย แล้วเปรียบเทียบกับวิธีพื้นฐานที่ง่ายกว่า

ภาพจำ: alpha=0.3 → ใหม่ 30% + ระดับเดิม 70% พร้อมจำข้อจำกัดสำคัญว่า ไม่เหมาะกับ trend หรือ seasonality ชัดเจน และการแบ่ง train/test ต้องรักษาลำดับเวลา ห้ามสุ่มข้ามอนาคต

03How it works

ค่อยๆ ทำไปด้วยกัน ตั้งแต่ข้อมูลแถวแรกจนถึงการตรวจคำตอบ

  1. เตรียมข้อมูลให้ตรงโจทย์

    y เป็นค่าตัวเลขเรียงตามเวลาและมีช่วงห่างสม่ำเสมอ ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล

  2. ตั้งค่าที่ควบคุมพฤติกรรม

    ใช้ smoothing_level เพื่อน้ำหนักของค่าจริงล่าสุด และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้

  3. คำนวณแก่นของวิธี

    เริ่มระดับ L₀ จากข้อมูลต้นชุด จากนั้น อัปเดต Lₜ=alpha·yₜ+(1−alpha)·Lₜ₋₁ Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ

  4. สร้างผลลัพธ์ที่นำไปอ่านได้

    ใช้ระดับล่าสุดเป็น forecast ของอนาคต ผลที่ได้คือ ระดับที่ smooth และค่าพยากรณ์คงที่ข้างหน้า ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล

  5. ตรวจว่าคำตอบใช้ได้จริง

    เปรียบเทียบหลายค่าของ smoothing_level ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า ไม่เหมาะกับ trend หรือ seasonality ชัดเจน และการแบ่ง train/test ต้องรักษาลำดับเวลา ห้ามสุ่มข้ามอนาคต

เปิดตัวอย่างโค้ดเพื่อลองทำตาม →ตัวอย่างตัวเลขในเรื่องใช้ช่วยอธิบาย ส่วนโค้ดและ Playground ใช้ชุดข้อมูลสาธิตของแต่ละหน้าอ่านเอกสารอ้างอิงของเทคนิคนี้ ↗

ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ

DATA INX · featuresy · targetยอดรายวัน [42,45,43,48,…]
CALCULATESimple Exponential Smoothing
smoothing_levelinitialization_methodoptimized
RESULTnumeric predictionalpha=0.3 → ใหม่ 30% + ระดับเดิม 70%
เส้นทางของข้อมูล: จากค่าที่รับเข้า ผ่านการคำนวณด้วยพารามิเตอร์ ไปเป็นผลลัพธ์
INPUT

ข้อมูลที่รับเข้ามา

y เป็นค่าตัวเลขเรียงตามเวลาและมีช่วงห่างสม่ำเสมอ

ยอดรายวัน [42,45,43,48,…]
PARAMETERS

พารามิเตอร์ที่ใช้

smoothing_level
น้ำหนักของค่าจริงล่าสุด
initialization_method
วิธีหาค่าระดับเริ่มต้น
optimized
ให้ไลบรารีเลือก alpha จากข้อมูลหรือไม่
OUTPUT

ผลลัพธ์ที่ได้

ระดับที่ smooth และค่าพยากรณ์คงที่ข้างหน้า

alpha=0.3 → ใหม่ 30% + ระดับเดิม 70%
CALCULATION

คำนวณทีละขั้น

  1. 01

    เริ่มระดับ L₀ จากข้อมูลต้นชุด

  2. 02

    อัปเดต Lₜ=alpha·yₜ+(1−alpha)·Lₜ₋₁

  3. 03

    ใช้ระดับล่าสุดเป็น forecast ของอนาคต

ควรรู้อีกนิด — ไม่เหมาะกับ trend หรือ seasonality ชัดเจน และการแบ่ง train/test ต้องรักษาลำดับเวลา ห้ามสุ่มข้ามอนาคต

04Make it yours

Python · statsmodels
# ติดตั้ง: pip install numpy statsmodelsimport numpy as np data = np.genfromtxt("simple-exponential-smoothing-sample.csv", delimiter=",", skip_header=1)X = data[:, :2] from statsmodels.tsa.holtwinters import SimpleExpSmoothing y = data[:, 1]model = SimpleExpSmoothing(y, initialization_method="estimated").fit(smoothing_level=0.3, optimized=False)print("Next forecast:", model.forecast(1))print("SSE:", model.sse)print("Fitted values:", model.fittedvalues[:5])

โค้ดเปลี่ยนตามค่าที่เลือกใน Playground · แต่ละภาษาใช้ข้อมูลตัวอย่างตามที่ระบุในโค้ด

05Learn by playing

ปรับ alpha แล้วสังเกตรูปแบบคำทำนายและตัวชี้วัดที่คำนวณใหม่ทันที

Sample time series / Smoothed level● คำนวณใหม่เมื่อปรับค่า
alpha สูงตอบสนองต่อค่าล่าสุดเร็วขึ้น
ข้อมูลฝึกและผลการทำนายFeature xค่าจริง • / ค่าทำนาย —
One-step RMSE2.924
Forecast ถัดไป41.82
พารามิเตอร์ที่ลอง0.30

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