01Overall Concept
ไอเดียหลัก — Simple Exponential Smoothing อัปเดตระดับด้วยค่าจริงล่าสุดและระดับเดิม โดย alpha ควบคุมว่าน้ำหนักจะเอนมาทางข้อมูลใหม่มากเพียงใด เหมาะกับอนุกรมที่ไม่มีแนวโน้มหรือฤดูกาลชัดเจน
ลองนึกภาพว่า — เหมือนประมาณอุณหภูมิพรุ่งนี้จากค่าเฉลี่ยที่ค่อย ๆ ปรับ โดยเชื่อวันนี้มากกว่าวันที่ไกลออกไป
ตัวอย่างการนำไปใช้ — พยากรณ์อุปสงค์พื้นฐาน ปริมาณงาน และสัญญาณที่แกว่งรอบระดับคงที่
02อธิบายภาษาคนเข้าใจง่ายๆ
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
เตรียมข้อมูลให้ตรงโจทย์
y เป็นค่าตัวเลขเรียงตามเวลาและมีช่วงห่างสม่ำเสมอ ตรวจค่าที่หาย หน่วยของแต่ละคอลัมน์ และแยกข้อมูลประเมินก่อนเรียนรู้พารามิเตอร์จากข้อมูล
ตั้งค่าที่ควบคุมพฤติกรรม
ใช้ smoothing_level เพื่อน้ำหนักของค่าจริงล่าสุด และบันทึกค่าเริ่มต้นหรือ random seed เมื่อวิธีมีการสุ่ม เพื่อให้ทำซ้ำและเปรียบเทียบได้
คำนวณแก่นของวิธี
เริ่มระดับ L₀ จากข้อมูลต้นชุด จากนั้น อัปเดต Lₜ=alpha·yₜ+(1−alpha)·Lₜ₋₁ Playground ใช้ข้อมูลสาธิตชุดเดิมทุกครั้งเพื่อให้เห็นผลของ slider โดยไม่ถูกความสุ่มกลบ
สร้างผลลัพธ์ที่นำไปอ่านได้
ใช้ระดับล่าสุดเป็น forecast ของอนาคต ผลที่ได้คือ ระดับที่ smooth และค่าพยากรณ์คงที่ข้างหน้า ตัวเลขหรือกลุ่มที่ได้ยังต้องตีความร่วมกับบริบทของข้อมูล
ตรวจว่าคำตอบใช้ได้จริง
เปรียบเทียบหลายค่าของ smoothing_level ด้วย metric ที่เหมาะ ดูทั้งผลรวมและกรณีที่พลาด แล้วทดสอบกับข้อมูลที่ไม่ใช้ปรับค่า โดยคำนึงถึงข้อจำกัดว่า ไม่เหมาะกับ trend หรือ seasonality ชัดเจน และการแบ่ง train/test ต้องรักษาลำดับเวลา ห้ามสุ่มข้ามอนาคต
ข้อมูล พารามิเตอร์ และภาพรวมการคำนวณ
smoothing_levelinitialization_methodoptimizedข้อมูลที่รับเข้ามา
y เป็นค่าตัวเลขเรียงตามเวลาและมีช่วงห่างสม่ำเสมอ
ยอดรายวัน [42,45,43,48,…]พารามิเตอร์ที่ใช้
- smoothing_level
- น้ำหนักของค่าจริงล่าสุด
- initialization_method
- วิธีหาค่าระดับเริ่มต้น
- optimized
- ให้ไลบรารีเลือก alpha จากข้อมูลหรือไม่
ผลลัพธ์ที่ได้
ระดับที่ smooth และค่าพยากรณ์คงที่ข้างหน้า
alpha=0.3 → ใหม่ 30% + ระดับเดิม 70%คำนวณทีละขั้น
- 01
เริ่มระดับ L₀ จากข้อมูลต้นชุด
- 02
อัปเดต Lₜ=alpha·yₜ+(1−alpha)·Lₜ₋₁
- 03
ใช้ระดับล่าสุดเป็น forecast ของอนาคต
ควรรู้อีกนิด — ไม่เหมาะกับ trend หรือ seasonality ชัดเจน และการแบ่ง train/test ต้องรักษาลำดับเวลา ห้ามสุ่มข้ามอนาคต
04Make it yours
# 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
Playground เป็น implementation เพื่อการเรียนรู้ที่คำนวณในเบราว์เซอร์ ส่วนโค้ด Python ใช้ statsmodels จึงอาจให้ค่าต่างกันเล็กน้อยจากรายละเอียดการ optimize และค่าเริ่มต้นของไลบรารี ผลนี้ไม่ใช่ benchmark บนข้อมูลจริง