Supervised vs. unsupervised and regression vs. classification

ยินดีต้อนรับสู่พื้นฐานของการเรียนรู้เชิงสถิติ (Statistical Learning)!

ยินดีต้อนรับว่าที่นักคณิตศาสตร์ประกันภัยทุกคน! เมื่อคุณเริ่มก้าวเข้าสู่การเตรียมสอบ Exam SRM คุณจะพบว่า การเรียนรู้เชิงสถิติ (Statistical Learning) นั้นเปรียบเสมือนหัวใจสำคัญของการวิเคราะห์ข้อมูลในยุคปัจจุบัน ให้ลองคิดว่าบทนี้คือ "GPS" นำทางสำหรับเนื้อหาส่วนที่เหลือของการสอบ ก่อนที่เราจะไปสร้างแบบจำลองที่ซับซ้อนเพื่อทำนายยอดเคลมประกันหรือราคาหุ้น เราจำเป็นต้องรู้ก่อนว่าปัญหาที่เรากำลังพยายามแก้ไขนั้นคืออะไร

ในบทนี้ เราจะเรียนรู้วิธีการจัดหมวดหมู่แบบจำลองทั้งหมดออกเป็น 2 "สไตล์" (Supervised vs. Unsupervised) และ 2 "เป้าหมาย" (Regression vs. Classification) ไม่ต้องกังวลหากคำศัพท์เหล่านี้ฟังดูหรูหราจนน่ากลัว เพราะเมื่ออ่านโน้ตชุดนี้จบ คุณจะรู้สึกว่ามันเป็นเรื่องที่เข้าใจได้ง่ายเหมือนเป็นสัญชาตญาณเลยล่ะ!

1. Supervised Learning vs. Unsupervised Learning

ความแตกต่างที่ใหญ่ที่สุดในการเรียนรู้เชิงสถิติคือการดูว่าเรามี "ครู" คอยชี้แนะแบบจำลองของเราหรือไม่ หรือแบบจำลองนั้นต้องทำความเข้าใจข้อมูลด้วยตัวมันเอง

Supervised Learning: การเรียนรู้แบบมีครู

ในการเรียนรู้แบบ Supervised Learning สำหรับข้อมูลนำเข้าแต่ละตัว \( (x_i) \) เราจะมีผลลัพธ์หรือ "ป้ายกำกับ" \( (y_i) \) ที่สอดคล้องกันกำกับไว้ เป้าหมายของเราคือการสร้างฟังก์ชันที่สามารถจับคู่ข้อมูลนำเข้ากับผลลัพธ์ได้อย่างแม่นยำ เพื่อที่ว่าเมื่อเราเจอข้อมูลนำเข้า ชุดใหม่ เราจะสามารถทำนายผลลัพธ์ ชุดใหม่ ได้

เปรียบเทียบ: ลองนึกภาพว่าคุณกำลังสอนเด็กให้รู้จักผลไม้ คุณโชว์แอปเปิ้ลให้ดูแล้วบอกว่า "นี่คือแอปเปิ้ล" โชว์ส้มแล้วบอกว่า "นี่คือส้ม" การที่คุณมอบ "เฉลย" (labels) ให้แบบนี้แหละคือการเรียนรู้แบบ Supervised

ตัวอย่างด้านคณิตศาสตร์ประกันภัย: การทำนาย ต้นทุนการเคลม (ผลลัพธ์ \( Y \)) โดยอิงจาก อายุของผู้ขับขี่ และ ประเภทของรถ (ข้อมูลนำเข้า \( X \)) เราจะใช้ข้อมูลในอดีตที่เรารู้ยอดเคลมจริงมาแล้วเพื่อเป็น "ครู" คอยสอนแบบจำลอง

Unsupervised Learning: การเรียนรู้แบบค้นพบด้วยตนเอง

ในการเรียนรู้แบบ Unsupervised Learning เรามีแค่ข้อมูลนำเข้า \( (x_i) \) แต่ ไม่มี ผลลัพธ์ \( (y_i) \) ที่สอดคล้องกันเลย มันไม่มี "เฉลย" และไม่มี "ครู" เป้าหมายคือการค้นหารูปแบบ (Patterns) โครงสร้าง หรือการจัดกลุ่มที่น่าสนใจภายในข้อมูลชุดนั้น

เปรียบเทียบ: ลองนึกภาพว่าคุณยื่นถังใบใหญ่ที่เต็มไปด้วยบล็อกไม้รูปทรงและสีต่างๆ ให้เด็กคนเดิมโดยไม่บอกอะไรเลย เด็กอาจจะเริ่มแยกบล็อกทรงกลมไว้กองหนึ่งและบล็อกทรงสี่เหลี่ยมไว้อีกกองหนึ่ง พวกเขาไม่ได้ "ตั้งชื่อ" บล็อกเหล่านั้น แต่พวกเขากำลังค้นหารูปแบบจากความคล้ายคลึงกัน

ตัวอย่างด้านคณิตศาสตร์ประกันภัย: การแบ่งกลุ่มตลาด (Market Segmentation) คุณมีข้อมูลของผู้ถือกรมธรรม์นับพันราย คุณไม่มีสิ่งที่ต้องทำนายแบบเฉพาะเจาะจง แต่คุณต้องการดูว่าพวกเขาสามารถแบ่งกลุ่มได้เองตามธรรมชาติหรือไม่ (เช่น "คนทำงานวัยหนุ่มสาวในเมือง" เทียบกับ "ผู้เกษียณอายุที่อาศัยในชนบท") เพื่อให้คุณทำแผนการตลาดได้ตรงกลุ่มเป้าหมายมากขึ้น

ทบทวนสั้นๆ: ความแตกต่างหลัก

• Supervised: เรามี \( X \) และ \( Y \) เราต้องการทำนาย \( Y \)
• Unsupervised: เรามีแค่ \( X \) เราต้องการค้นหารูปแบบภายใน \( X \)

2. Regression vs. Classification

หากคุณกำลังทำ Supervised Learning (หมายความว่าคุณมีผลลัพธ์ \( Y \)) ขั้นตอนต่อไปคือการตัดสินใจว่าคุณกำลังเจอกับปัญหาแบบ Regression หรือ Classification ซึ่งจุดนี้จะขึ้นอยู่กับ ประเภท ของตัวแปรผลลัพธ์ที่คุณมีโดยตรง

Regression: การทำนายค่าที่เป็นตัวเลข

เราจะใช้ Regression เมื่อตัวแปรตาม \( Y \) เป็นตัวแปร เชิงปริมาณ (Quantitative) ซึ่งเป็นตัวแปรที่ตัวเลขมีความหมายทางคณิตศาสตร์และสามารถจัดลำดับได้

คำศัพท์สำคัญ: ตัวแปรเชิงปริมาณคือตัวแปรที่มีค่าเป็นตัวเลข (เช่น 100 ดอลลาร์, อายุ 55.5 ปี, ความยาว 12 นิ้ว)

ตัวอย่าง:
• ทำนาย ราคา ของหุ้น
• ประมาณการ เวลา จนกว่าอุปกรณ์จะเสียหาย
• คำนวณ ค่าเสียหายรวม จากพายุเฮอริเคน

Classification: การทำนายกลุ่มหรือประเภท

เราจะใช้ Classification เมื่อตัวแปรตาม \( Y \) เป็นตัวแปร เชิงคุณภาพ (Qualitative) หรือแบบจัดกลุ่ม ซึ่งจะเป็นการแบ่ง "คลาส" หรือ "ป้ายกำกับ" แทนที่จะเป็นการวัดค่า

คำศัพท์สำคัญ: ตัวแปรเชิงคุณภาพคือตัวแปรที่รับค่าได้ในหนึ่งจาก \( K \) คลาส (เช่น ใช่/ไม่ใช่, สีฟ้า/เขียว/แดง, ผ่าน/ไม่ผ่าน)

ตัวอย่าง:
• ผู้ถือกรมธรรม์จะ ต่ออายุ กรมธรรม์หรือไม่? (ใช่ หรือ ไม่ใช่)
• รายการบัตรเครดิตนี้เป็น การฉ้อโกง หรือ ปกติ?
• การกำหนด อันดับความน่าเชื่อถือ (Credit Rating) (A, B, C หรือ D)

ตัวช่วยจำ: เคล็ดลับตัวอักษร

• Classification ใช้สำหรับ Categories (หมวดหมู่ เช่น "กลุ่ม A" หรือ "กลุ่ม B")
• Regression ใช้สำหรับ Real numbers (ตัวเลขจริง เช่น 5.50 ดอลลาร์ หรือ 100 องศา)

3. ข้อควรระวังและข้อผิดพลาดที่พบบ่อย

ถ้ารู้สึกว่าเส้นแบ่งมันดูเลือนลางในบางครั้ง ไม่ต้องกังวลนะ! นี่คือสิ่งที่ทำให้นักศึกษาหลายคนสับสนบ่อยๆ:

ความสับสนเรื่อง "Logistic Regression"

คำเตือน! มีเทคนิคหนึ่งที่ชื่อว่า Logistic Regression ถึงแม้จะมีคำว่า "Regression" อยู่ในชื่อ แต่มันเกือบจะถูกใช้สำหรับ Classification เสมอ เพราะมันทำหน้าที่ประมาณการ ความน่าจะเป็น ที่ข้อมูลนั้นจะจัดอยู่ในกลุ่มใดกลุ่มหนึ่ง (เช่น ความน่าจะเป็นที่บุคคลจะเสียชีวิตในช่วงระยะเวลาของกรมธรรม์)

เรามองตัวเลขเป็นหมวดหมู่ได้ไหม?

บางครั้งเราอาจปฏิบัติกับตัวแปรตัวเลขในฐานะหมวดหมู่ได้ เช่น ถ้าเรากำลังทำนายระดับดาว (1, 2, 3, 4 หรือ 5) เราสามารถมองเป็น Regression ได้ (เพราะ 5 ดีกว่า 4) หรือมองเป็น Classification ได้ (ถือว่าแต่ละระดับดาวเป็นถังที่แยกจากกันโดยเด็ดขาด) โดยปกติแล้ว เป้าหมายของการวิเคราะห์จะเป็นตัวกำหนดว่าคุณควรเลือกแบบไหน

รู้หรือไม่?

เนื้อหาส่วนใหญ่ของ Exam SRM จะเน้นไปที่ Supervised Learning อย่างไรก็ตาม Principal Component Analysis (PCA) และ Clustering (ซึ่งคุณจะได้เห็นในบทต่อๆ ไป) คือสองเทคนิคหลักของ Unsupervised ที่คุณต้องรู้!

4. สรุปและประเด็นสำคัญ

เพื่อปิดท้ายส่วนนี้ มาลองดูแผนผังการตัดสินใจเพื่อให้คุณเลือกใช้แบบจำลองได้อย่างถูกต้องกัน:

ขั้นตอนที่ 1: ฉันมีเป้าหมายผลลัพธ์ (\( Y \)) หรือไม่?
• มี: นี่คือ Supervised Learning (ไปต่อขั้นตอนที่ 2)
• ไม่มี: นี่คือ Unsupervised Learning

ขั้นตอนที่ 2: เป้าหมาย (\( Y \)) ของฉันเป็นตัวเลขหรือหมวดหมู่?
• ตัวเลข: ใช้แบบจำลอง Regression
• หมวดหมู่: ใช้แบบจำลอง Classification

ประเด็นสำคัญที่ต้องจำ:

• Supervised ใช้เพื่อการ ทำนาย (Prediction)
• Unsupervised ใช้เพื่อการ ค้นหา (Discovery) และทำความเข้าใจโครงสร้างของข้อมูล
• เชิงปริมาณ (Quantitative) = ตัวเลข = Regression
• เชิงคุณภาพ (Qualitative) = ป้ายกำกับ/หมวดหมู่ = Classification

ทำได้ดีมาก! คุณเพิ่งปูพื้นฐานที่สำคัญที่สุดสำหรับหลักสูตร SRM ทั้งหมดไปแล้ว ในบทต่อไปเราจะเริ่มเจาะลึกถึงคณิตศาสตร์และแบบจำลองเฉพาะทางที่ใช้ในการปฏิบัติงานจริงกัน!