workflow ของ ML และ baseline

ML แบบ supervised คืออะไร

โมเดลเรียนรู้จากตัวอย่างที่ “รู้คำตอบแล้ว” เพื่อทำนายกรณีใหม่ — ข้อมูลแบ่งเป็นสองส่วน:

• features (X) — ข้อมูลที่ใช้ทำนาย เช่น ช่องทางสมัคร เมือง มูลค่าออเดอร์แรก
• target (y) — สิ่งที่อยากทำนาย เช่น repeated (ลูกค้าคนนี้จะกลับมาซื้อซ้ำไหม 1/0)

ตลอดสาย ML ใช้ตาราง data/ml_customers.csv — หนึ่งแถวต่อลูกค้าที่เคยสั่งซื้อ (2,839 คน) โดย feature ทุกตัวรู้ได้ ณ ตอนที่ลูกค้า สั่งออเดอร์แรก ส่วน repeated คือ 1 ถ้าต่อมาลูกค้ามีออเดอร์รวมตั้งแต่ 2 ครั้งขึ้นไป

import pandas as pd

df = pd.read_csv("data/ml_customers.csv")
X = pd.get_dummies(df.drop(columns=['customer_id', 'repeated', 'first_order_value']), drop_first=True)
y = df['repeated']

get_dummies แปลงคอลัมน์ข้อความ (เมือง ช่องทาง ฯลฯ) เป็นตัวเลข 0/1 เพื่อให้โมเดลใช้ได้ (บท Feature engineering จะลงรายละเอียด)

แบ่ง train/test

โมเดลที่ดีต้องทำนายข้อมูล ที่ไม่เคยเห็น ได้ จึงกันข้อมูลส่วนหนึ่งไว้ทดสอบ ห้ามเอาไปเทรน:

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.25, random_state=42, stratify=y)

• random_state=42 — ให้สุ่มแบบเดิมทุกครั้ง ผลลัพธ์ถึงทำซ้ำได้
• stratify=y — รักษาสัดส่วน 0/1 ของ target ให้เท่ากันทั้งชุด train และ test

baseline: ต้องชนะอะไรถึงเรียกว่า “ดี”

ก่อนดูความแม่นยำของโมเดล ให้ถามก่อนว่า ถ้าทายแบบโง่ที่สุดจะได้เท่าไร — เช่นทายคลาสที่พบบ่อยที่สุดทุกแถว (majority baseline) ถ้าโมเดลไม่ชนะ baseline แปลว่ายังไม่มีประโยชน์ ตัวเลข accuracy ลอยๆ (เช่น 64%) บอกอะไรไม่ได้

data leakage

Leakage คือข้อมูลที่ “ไม่ควรรู้ ณ ตอนทำนายจริง” หลุดเข้ามาเป็น feature เช่น จำนวนออเดอร์ทั้งหมดของลูกค้า (ซึ่งรู้ได้ก็ต่อเมื่อลูกค้าซื้อซ้ำไปแล้ว) ผลบนชุดทดสอบจะสวยเกินจริง (เกือบ 100%) แต่ใช้งานจริงไม่ได้เลย — ตัวเลขที่ดีเกินไปมักเป็นสัญญาณให้สงสัย leakage ก่อนดีใจ