ยินดีต้อนรับสู่การประชัน: โมเดลเชิงเส้น (Linear) ปะทะ โมเดลแบบต้นไม้ (Tree-Based)!

ยินดีต้อนรับว่าที่นักคณิตศาสตร์ประกันภัยทุกคน! ในบทนี้ เราจะมาเจาะลึกทักษะที่สำคัญที่สุดอย่างหนึ่งสำหรับการสอบ Exam ATPA นั่นคือ การเปรียบเทียบผลลัพธ์ระหว่างโมเดลเชิงเส้นและโมเดลแบบต้นไม้ ให้คิดเสียว่านี่คือ "การประชันของยักษ์ใหญ่" ฝั่งหนึ่งคือ โมเดลเชิงเส้น (Linear Models) แบบคลาสสิกที่ไว้ใจได้ (เช่น GLMs) และอีกฝั่งคือ โมเดลแบบต้นไม้ (Tree-Based Models) ที่ทันสมัยและยืดหยุ่น (เช่น Random Forests และ XGBoost)

การเลือกโมเดลที่ "ดีที่สุด" ไม่ใช่แค่การเลือกโมเดลที่มีค่าความผิดพลาดน้อยที่สุดเท่านั้น แต่เป็นการทำความเข้าใจว่า ทำไม โมเดลหนึ่งถึงทำผลงานได้ดีกว่าอีกโมเดลหนึ่ง และคำพยากรณ์ของทั้งสองนั้นแตกต่างกันอย่างไร ถ้ารู้สึกว่าเนื้อหาดูนามธรรมไปหน่อยในตอนนี้ ไม่ต้องกังวลนะ... เราจะค่อยๆ ย่อยให้เข้าใจง่ายไปทีละส่วน!

1. ทำความเข้าใจความแตกต่างพื้นฐาน

ก่อนที่เราจะเปรียบเทียบผลลัพธ์ เราต้องจำไว้ก่อนว่าโมเดลทั้งสองประเภทนี้มี "วิธีคิด" ที่ต่างกันอย่างไร

โมเดลเชิงเส้น (Linear Models - แนวทางแบบเส้นตรง): โมเดลเหล่านี้ตั้งสมมติฐานว่าความสัมพันธ์ระหว่างข้อมูลนำเข้า (Inputs) และเป้าหมาย (Target) เป็นเส้นตรง (หรือเส้นโค้งที่ราบเรียบ) โดยมีลักษณะเป็นแบบ ส่วนเพิ่ม (Additive)
เปรียบเทียบ: ลองนึกภาพว่าคุณกำลังอบเค้ก โมเดลเชิงเส้นจะคิดว่า: "น้ำตาลทุกๆ 1 ถ้วยที่เพิ่มเข้าไป จะให้พลังงานเพิ่มขึ้น 100 แคลอรีพอดี โดยไม่สนว่าคุณจะใส่แป้งมากน้อยแค่ไหน"

โมเดลแบบต้นไม้ (Tree-Based Models - แนวทางแบบผังงาน): โมเดลเหล่านี้ใช้ชุดของการแบ่งเงื่อนไข "ถ้า...แล้ว..." (if-then) ซึ่งทำหน้าที่ได้ดีเยี่ยมในการค้นหา ปฏิสัมพันธ์ (Interactions) และ รูปแบบที่ไม่เป็นเส้นตรง (Non-linear patterns)
เปรียบเทียบ: โมเดลแบบต้นไม้จะคิดว่า: "ถ้าคุณใส่น้ำตาลมากกว่า 2 ถ้วย และเตาอบร้อนเกิน 400 องศา เค้กจะไหม้ (เกิดการเปลี่ยนแปลงความ 'แย่' แบบฉับพลันที่ไม่ใช่เส้นตรง) แต่ถ้าเตาอบเย็น น้ำตาลที่ใส่ไปก็อาจจะไม่ได้ส่งผลอะไรมากนัก"

ทบทวนสั้นๆ: ความแตกต่างหลัก

โมเดลเชิงเส้น: มีความสามารถในการ อธิบายได้ง่าย (Interpretability) สูง แต่จะประสบปัญหาหากข้อมูลมีความซับซ้อนหรือ "ยึกยือ" เว้นแต่คุณจะเพิ่มตัวแปรปฏิสัมพันธ์ (Interaction terms) เข้าไปเอง
โมเดลแบบต้นไม้: มีความ ยืดหยุ่น (Flexibility) สูง ทำงานได้ดีเยี่ยมในการจับรูปแบบซับซ้อนโดยอัตโนมัติ แต่อาจจะอธิบายให้คณะกรรมการบริหารฟังได้ยากกว่า (ปัญหา "กล่องดำ" หรือ Black box)

2. การเปรียบเทียบประสิทธิภาพในการพยากรณ์

เมื่อคุณรันทั้ง GLM (เชิงเส้น) และ GBM (แบบต้นไม้) สำหรับโปรเจกต์ ATPA คุณจำเป็นต้องเปรียบเทียบว่าโมเดลไหนพยากรณ์ได้แม่นยำกว่ากัน โดยปกติเราจะดูตัวชี้วัดเหล่านี้:

ตัวชี้วัดสำคัญที่ต้องจับตา:

1. RMSE (Root Mean Squared Error): บอกเราว่าโดยเฉลี่ยแล้วผลพยากรณ์ของเราคลาดเคลื่อนไปเท่าไหร่ ยิ่งน้อยยิ่งดี!
2. MAE (Mean Absolute Error): คล้ายกับ RMSE แต่ไวต่อข้อมูลที่ผิดปกติ (Outliers) น้อยกว่า
3. Deviance: มักใช้ใน GLMs เพื่อดูว่าโมเดลเหมาะสมกับการกระจายตัวของข้อมูลได้ดีเพียงใด

ช่วงเวลา "อ๋อ!": หากโมเดลแบบต้นไม้ของคุณมีค่า RMSE ต่ำกว่าโมเดลเชิงเส้นมาก นั่นเป็นคำใบ้สำคัญว่าข้อมูลของคุณมี ความไม่เป็นเส้นตรง (Non-linearities) หรือ ปฏิสัมพันธ์ที่ซับซ้อน (Complex interactions) ซึ่งโมเดลเชิงเส้นมองข้ามไป

ข้อผิดพลาดที่พบบ่อยและควรหลีกเลี่ยง:

กับดักของการทำ Overfitting (การปรับโมเดลมากเกินไป): การที่โมเดลแบบต้นไม้ได้คะแนนสมบูรณ์แบบบน ข้อมูลฝึกสอน (Training Data) ไม่ได้หมายความว่ามันดีกว่าเสมอไป จงเปรียบเทียบผลลัพธ์บน ข้อมูลทดสอบ (Test Data) (หรือผ่านการ Cross-Validation) เสมอ เพราะโมเดลต้นไม้นั้นขึ้นชื่อเรื่องการ "ท่องจำ" Noise ในชุดฝึกสอน!

3. การเปรียบเทียบ "รูปร่าง" ของผลพยากรณ์

วิธีที่ดีที่สุดวิธีหนึ่งในการเปรียบเทียบคือการดูพล็อต ค่าพยากรณ์เทียบกับค่าจริง (Predicted vs. Actual) หรือพล็อต ค่าคลาดเคลื่อน (Residual plots)

Residuals ของโมเดลเชิงเส้น: หากคุณเห็น Residuals เป็นรูป "ตัว U" ในโมเดลเชิงเส้น นั่นหมายความว่าโมเดลกำลังพลาดความโค้งของข้อมูล มันเหมือนกับคุณพยายามเอาไม้บรรทัดตรงๆ ไปทาบกับชามทรงกลม
คำพยากรณ์ของโมเดลต้นไม้: ต้นไม้จะสร้าง "ฟังก์ชันแบบขั้นบันได" (step-functions) ถ้าคุณพล็อตค่าพยากรณ์ออกมา มันจะดูเหมือนบันได หากความสัมพันธ์ที่แท้จริงคือเส้นตรงที่เรียบเนียน โมเดลต้นไม้อาจทำผลงานได้ แย่กว่า เพราะมันพยายามแปลงทางลาดเรียบๆ ให้กลายเป็นขั้นบันไดนั่นเอง

รู้หรือไม่? โมเดลแบบต้นไม้ไม่สามารถ คาดการณ์นอกช่วงข้อมูล (Extrapolate) ได้ หากข้อมูลฝึกสอนของคุณมีราคารถยนต์สูงสุดแค่ 1 ล้านบาท โมเดลต้นไม้จะไม่มีวันพยากรณ์ราคา 2 ล้านบาทสำหรับรถคันใหม่ที่ใหญ่กว่าได้เลย มันพยากรณ์ได้แค่ค่าที่อยู่ในช่วงที่เคยเห็นมาเท่านั้น แต่โมเดลเชิงเส้นจะยินดีพยากรณ์ไล่ระดับตามเส้นตรงขึ้นไปเรื่อยๆ!

4. ความสำคัญของตัวแปร (Feature Importance) เทียบกับ สัมประสิทธิ์ (Coefficients)

โมเดลบอกเราอย่างไรว่าตัวแปรไหนสำคัญ? นี่คือประเด็นสำคัญในการเปรียบเทียบสำหรับการสอบ ATPA

โมเดลเชิงเส้นใช้ สัมประสิทธิ์ (\(\beta\)):
เราดูที่ขนาดและค่า p-value
ตัวอย่าง: สัมประสิทธิ์เท่ากับ 0.5 หมายความว่า "ทุกๆ 1 หน่วยที่เพิ่มขึ้นใน X ค่าเป้าหมายจะเพิ่มขึ้น 0.5" ซึ่งมีความแม่นยำและชัดเจนมาก

โมเดลแบบต้นไม้ใช้ ความสำคัญของตัวแปร (Variable Importance):
โดยทั่วไปจะขึ้นอยู่กับ Gain (ความบริสุทธิ์ของโมเดลที่เพิ่มขึ้นเมื่อเราแบ่งแยกด้วยตัวแปรนั้นๆ) มันไม่ได้ให้กฎง่ายๆ อย่าง "เพิ่มขึ้น 0.5" แต่จะบอกเพียงว่าตัวแปรไหนมีประโยชน์ที่สุดในการแบ่งเงื่อนไข

เคล็ดลับเชิงกลยุทธ์: หากทั้งสองโมเดลเห็นตรงกันว่า "อายุ" เป็นตัวแปรที่สำคัญที่สุด คุณก็มั่นใจในข้อค้นพบนั้นได้เลย! แต่ถ้าเห็นไม่ตรงกัน ให้ลองสืบค้นดูว่าทำไม บางที "อายุ" อาจจะสำคัญเฉพาะเมื่อ "รายได้" ต่ำเท่านั้น (ซึ่งเป็นปฏิสัมพันธ์) ซึ่งโมเดลต้นไม้ตรวจพบ แต่โมเดลเชิงเส้นพลาดไป

5. "ทางเลือกของนักคณิตศาสตร์ประกันภัย": ทำไมถึงเลือกโมเดลหนึ่งแทนอีกโมเดล?

ในรายงานฉบับเขียนของ ATPA คุณมักจะต้องให้เหตุผลในการเลือกโมเดลของคุณ ใช้ตาราง "สรุปประเด็นสำคัญ" นี้ช่วยในการตัดสินใจ:

เลือกโมเดลเชิงเส้น (GLM) หาก:

  • ความสัมพันธ์ส่วนใหญ่เป็นแบบเรียบง่ายและเป็นส่วนเพิ่ม (Additive)
  • ผู้กำกับดูแลต้องการคำอธิบายที่ชัดเจนในรูปแบบสูตร (เช่น \(Y = 2x_1 + 3x_2\))
  • คุณมีชุดข้อมูลขนาดเล็ก ซึ่งโมเดลต้นไม้ที่ซับซ้อนอาจเกิด Overfitting ได้ง่าย

เลือกโมเดลแบบต้นไม้ (GBM/Random Forest) หาก:

  • ความแม่นยำในการพยากรณ์คือเป้าหมายอันดับ 1
  • ข้อมูลมีความซับซ้อนของปฏิสัมพันธ์ที่คุณไม่อยากเขียนโค้ดเพิ่มเอง
  • ข้อมูลมีค่าสูญหาย (Missing values) หรือค่าผิดปกติเยอะ (ต้นไม้จัดการสิ่งเหล่านี้ได้ดีกว่ามาก!)

สรุปและประเด็นสำคัญ

1. ตรรกะ: โมเดลเชิงเส้นเป็นแบบเพิ่มค่าและราบเรียบ ส่วนโมเดลต้นไม้เป็นการแบ่งเงื่อนไขและดูเป็นขั้นบันได
2. ปฏิสัมพันธ์: โมเดลต้นไม้ค้นหาปฏิสัมพันธ์ให้อัตโนมัติ ส่วนโมเดลเชิงเส้นต้องการให้คุณระบุตำแหน่งของปฏิสัมพันธ์นั้น
3. การคาดการณ์นอกช่วงข้อมูล: โมเดลเชิงเส้นทำได้ แต่โมเดลต้นไม้ทำไม่ได้
4. การตรวจสอบ: ใช้ข้อมูล Test/Holdout เพื่อเปรียบเทียบตัวชี้วัดอย่าง RMSE เสมอเพื่อเลี่ยงกับดัก Overfitting
5. การตีความ: โมเดลเชิงเส้นให้สัมประสิทธิ์ที่ชัดเจน ส่วนโมเดลต้นไม้ให้การจัดลำดับความสำคัญสัมพัทธ์

คำแนะนำทิ้งท้าย: อย่ารู้สึกกดดันว่าต้องเลือกโมเดลที่ "ซับซ้อน" ที่สุดเสมอไป บางครั้งโมเดลเชิงเส้นที่เรียบง่ายที่สุดก็มีความแข็งแกร่งที่สุด ใน ATPA การให้ คำอธิบาย ว่าทำไมคุณถึงเลือกโมเดลนั้น มักจะมีความสำคัญพอๆ กับความแม่นยำของโมเดลเลยล่ะ!