![](https://scbtechx.io/wp-content/uploads/2024/05/Cover_TH.png)
หนึ่งในขั้นตอนที่สำคัญที่สุดของการสร้าง Model คือการเช็คว่า Model ที่เราสร้างนั้นทำนายผลลัพธ์ได้แม่นยำแค่ไหน วันนี้จึงขอเชิญ Data Analytics จาก SCB TechX คุณกอล์ฟ เมธี ประเสริฐกิจพันธุ์ มาแชร์วิธีวัดประสิทธิภาพของ Regression Model ที่ใช้ได้จริงผ่าน Metrics 3 แบบ MAE, MSE และ RMSE ดังนี้ (โปรดศึกษาที่ภาพประกอบเพิ่มเติม)
- MAE (Mean Absolute Error) เป็นการคำนวณหาค่าเฉลี่ยที่เป็น Absolute ของความต่างระหว่างค่า Predict กับค่า Actual วิธีนี้ใช้ประเมินประสิทธิภาพ Model ดีกว่าวิธีอื่นหาก Data ที่นำมาคำนวณมีค่าตัวเลขที่ต่างจากค่าส่วนใหญ่มากๆ (Outlier) เช่นค่าส่วนใหญ่เป็นหลักสิบ แต่มีค่าหลักพันผสมอยู่จำนวนหนึ่ง
- MSE (Mean Squared Error) เป็นการคำนวณหาค่าเฉลี่ยของความต่างระหว่างค่า Predict กับค่า Actual ยกกำลังสองวิธีนี้ใช้ประเมินประสิทธิภาพ Model ได้ดีหากมีค่าตัวเลขที่ต่างจากค่าส่วนใหญ่ (Outlier) น้อย หรือไม่มีเลย
- RMSE (Root Mean Squared Error) เป็นการคำนวณหาค่า Square Root ของ Metric MSE ข้างต้น แต่มีข้อดีกว่าตรงที่ตีความง่าย ใช้หน่วยประเมินประสิทธิภาพ Model แบบเดียวกับ Data เนื่องจากมี Square Root จึงไม่มีอิทธิพลของเลขยกกำลังเหมือนกับ MSE
![](https://scbtechx.io/wp-content/uploads/2024/05/Content_2.png)
ทั้งนี้การวัดความแม่นยำของ Model ให้ดูจากค่าที่ได้จากการคำนวณ ถ้าได้ค่าน้อยเข้าใกล้ 0 แสดงว่ามี Error น้อย Model มีความแม่นยำในการทำนายที่สมบูรณ์ แต่ค่า 0 มีโอกาสเกิดขึ้นน้อยมาก ดังนั้นให้ลองเทส Model กับ Data ที่เตรียมไว้ประมาณ 2 ชุดหากค่าที่ได้ลดลงเรื่อยๆแสดงว่า Model ทำนายผลได้แม่นยำ สามารถนำมาใช้งานได้
ท้ายนี้บริษัท SCB TechX ให้บริการด้านการจัดการข้อมูลแบบครบวงจร TechX Data & AI Solutions ที่คิดค้นและออกแบบโดยผู้เชี่ยวชาญที่มีประสบการณ์ตรงในการพัฒนา และ Deliver Data ให้แก่องค์กรชั้นนำมากมาย
หากท่านใดสนใจสามารถสอบถามข้อมูลเพิ่มเติมได้ที่ contact@scbtechx.io
อ่านรายละเอียดเพิ่มเติมที่ https://bit.ly/3Q2a9vd
![](https://scbtechx.io/wp-content/uploads/2024/05/Content_3.png)