การเชื่อมโยง (เรียกอีกอย่างว่า bucketing) คือ
Feature Engineering
เทคนิคที่จัดกลุ่มช่วงย่อยของตัวเลขต่างๆ เป็น bin หรือ
ที่เก็บข้อมูล
ในหลายกรณี Binning จะเปลี่ยนข้อมูลตัวเลขให้เป็นข้อมูลเชิงหมวดหมู่
เช่น ลองพิจารณาฟีเจอร์
ชื่อ X
ซึ่งมีค่าต่ำสุดคือ 15 และ
ค่าสูงสุดคือ 425 เมื่อใช้ Binning คุณสามารถเป็นตัวแทนของ X
ด้วยฟังก์ชัน
5 ถังขยะดังต่อไปนี้
- ถัง 1: 15 ถึง 34
- ถัง 2: 35 ถึง 117
- ถัง 3: 118 ถึง 279
- ถัง 4: 280 ถึง 392
- ถัง 5: 393 ถึง 425
ถังขยะ 1 จะครอบคลุมช่วง 15 ถึง 34 ดังนั้นทุกค่าของ X
จะอยู่ระหว่าง 15 ถึง 34
จะไปอยู่ใน Bin 1 โมเดลที่ฝึกกับ Bin เหล่านี้จะไม่ตอบสนองต่างกัน
เป็น X
ที่มีค่า 17 และ 29 เนื่องจากทั้ง 2 ค่าอยู่ใน Bin 1
เวกเตอร์คุณลักษณะ แสดง 5 ถังขยะดังนี้
หมายเลข Bin | ช่วง | เวกเตอร์ของจุดสนใจ |
---|---|---|
1 | 15-34 | [1.0, 0.0, 0.0, 0.0, 0.0] |
2 | 35-117 | [0.0, 1.0, 0.0, 0.0, 0.0] |
3 | 118-279 | [0.0, 0.0, 1.0, 0.0, 0.0] |
4 | 280-392 | [0.0, 0.0, 0.0, 1.0, 0.0] |
5 | 393-425 | [0.0, 0.0, 0.0, 0.0, 1.0] |
แม้ว่า X
จะเป็นคอลัมน์เดียวในชุดข้อมูล แต่การเชื่อมโยงจะทําให้โมเดล
เพื่อถือว่า X
เป็นคุณลักษณะที่แยกกันห้า ดังนั้น โมเดลจะเรียนรู้
น้ำหนักแยกกันสำหรับแต่ละถัง
Binning เป็นทางเลือกที่ดีในการปรับขนาด หรือการตัดเมื่อ ตรงตามเงื่อนไขต่อไปนี้
- ความสัมพันธ์แบบเชิงเส้นโดยรวมระหว่างฟีเจอร์กับ ป้ายกำกับใช้งานไม่ได้หรือไม่มีอยู่
- เมื่อมีการรวมค่าฟีเจอร์
Binning อาจดูขัดกับสัญชาตญาณเนื่องจากโมเดลใน ตัวอย่างก่อนหน้านี้ถือว่าค่า 37 และ 115 เหมือนกัน แต่เมื่อ มีเนื้อหาที่ดูไม่สมบูรณ์มากกว่าเนื้อหาแบบเชิงเส้น การใช้ Binning เป็นวิธีที่ดีกว่ามาก แสดงถึงข้อมูลนั้นๆ
ตัวอย่างการสรุป: จำนวนผู้เลือกซื้อเทียบกับอุณหภูมิ
สมมติว่าคุณกำลังสร้างโมเดลที่คาดคะเนจำนวนของ ตามอุณหภูมิภายนอกของวันดังกล่าวในวันนั้นๆ นี่คือพล็อตของ อุณหภูมิเทียบกับจำนวนผู้เลือกซื้อ:
![รูปที่ 9 แผนภูมิกระจาย 45 จุด ได้คะแนน 45 คะแนน
เป็น 3 กลุ่ม](https://developers.google.cn/static/machine-learning/crash-course/images/binning_temperature_vs_shoppers.png?authuser=7&hl=th)
โครงเรื่องได้แสดงให้เห็นว่าจำนวนผู้เลือกซื้อสูงสุดเมื่อ อุณหภูมิตอนนั้นรู้สึกสบายที่สุด
คุณสามารถแสดงจุดสนใจเป็นค่าดิบได้ ซึ่งก็คืออุณหภูมิที่ 35.0 ใน จะเป็น 35.0 ในเวกเตอร์ฟีเจอร์ นั่นเป็นความคิดที่ดีที่สุดแล้วใช่ไหม
ในระหว่างการฝึก โมเดลการถดถอยเชิงเส้นจะเรียนรู้ค่าน้ำหนักเดียวสำหรับแต่ละ ดังนั้น หากอุณหภูมิแสดงเป็นองค์ประกอบเดียว ค่า ที่อุณหภูมิ 35.0 จะมีผลกระทบ 5 เท่า (หรือ 1 ใน 5 ของผลกระทบ ) ในการคาดคะเนเมื่ออุณหภูมิอยู่ที่ 7.0 อย่างไรก็ตาม พล็อตจะไม่ แสดงความสัมพันธ์เชิงเส้นระหว่างป้ายกำกับกับ ของฟีเจอร์
กราฟแนะนำ 3 คลัสเตอร์ในช่วงย่อยต่อไปนี้
- ถัง 1 คือช่วงอุณหภูมิ 4-11
- ถัง 2 คือช่วงอุณหภูมิ 12-26
- ถัง 3 คือช่วงอุณหภูมิ 27-36
![รูปที่ 10 แผนภูมิกระจายที่มี 45 จุดเหมือนกับก่อนหน้านี้
โดยใช้เส้นแนวตั้งเพื่อให้ถังขยะชัดขึ้น](https://developers.google.cn/static/machine-learning/crash-course/images/binning_temperature_vs_shoppers_divided_into_3_bins.png?authuser=7&hl=th)
โมเดลจะเรียนรู้น้ำหนักแยกกันสำหรับแต่ละถัง
แม้ว่าคุณจะสามารถสร้างถังขยะมากกว่า 3 ใบ แต่ก็มีถังขยะแยกกันต่างหากสำหรับ ค่าอุณหภูมิที่อ่านได้แต่ละครั้ง มักเป็นความคิดที่ไม่ดีเนื่องจากสาเหตุต่อไปนี้
- โมเดลจะเรียนรู้การเชื่อมโยงระหว่าง Bin และป้ายกำกับเท่านั้นหากมี ตัวอย่างที่เพียงพอใน Bin ในตัวอย่างข้างต้น แต่ละถังทั้ง 3 ใบ มีตัวอย่างอย่างน้อย 10 รายการ ซึ่งอาจเพียงพอสำหรับการฝึก มีถังขยะแยกกัน 33 ใบ ไม่มี Bin ใดที่มีตัวอย่างเพียงพอให้โมเดลฝึกต่อได้
- ดังนั้นการเก็บอุณหภูมิแต่ละก้อนจะแยกออกมาต่างหาก ฟีเจอร์อุณหภูมิแยกกัน 33 แบบ อย่างไรก็ตาม โดยทั่วไปคุณควรลด จำนวนของจุดสนใจในโมเดล
แบบฝึกหัด: ตรวจสอบความเข้าใจ
พล็อตต่อไปนี้แสดงค่ามัธยฐานของราคาบ้านสำหรับแต่ละ 0.2 องศาของ ละติจูดของประเทศฟรีโดเนียตามตำนาน:
![รูปที่ 11 พล็อตค่าบ้านต่อละติจูด บ้านที่ต่ำที่สุด
ค่าอยู่ที่ประมาณ 327 และสูงสุดคือ 712 ละติจูดครอบคลุม 41.0
ไปจนถึง 44.8 โดยมีจุดที่แสดงถึงค่ามัธยฐานของบ้านสำหรับทุก
ละติจูด 0.2 องศา รูปแบบนี้มีลักษณะไม่สม่ำเสมออย่างมาก แต่มี
คลัสเตอร์ที่แตกต่างกัน 2 กลุ่ม (คลัสเตอร์หนึ่งอยู่ระหว่างละติจูด 41.0 ถึง 41.8
และอีกกลุ่มระหว่างละติจูด 42.6 ถึง 43.4)](https://developers.google.cn/static/machine-learning/crash-course/images/MedianHouseValueByLatitude.png?authuser=7&hl=th)
กราฟิกแสดงรูปแบบที่ไม่ใช่เชิงเส้นระหว่างค่าหน้าแรกกับละติจูด ดังนั้นการแสดงละติจูดเป็นค่าจุดลอยตัวก็ไม่น่าจะช่วยอะไรได้ โมเดลสามารถคาดการณ์ได้ดี บางทีการฝากข้อมูลละติจูดอาจดีกว่า ไอเดียของคุณ
- 41.0 ถึง 41.8
- 42.0 ถึง 42.6
- 42.8 ถึง 43.4
- 43.6 ถึง 44.8
การฝากข้อมูลเชิงปริมาณ
การฝากข้อมูลเชิงปริมาณจะสร้างขอบเขตการฝากข้อมูลเพื่อให้จำนวน ของตัวอย่างในแต่ละที่เก็บข้อมูล มีค่าเท่ากับหรือเกือบเท่ากัน การฝากข้อมูลเชิงปริมาณ จะซ่อนค่าผิดปกติไว้เป็นส่วนใหญ่
ในการอธิบายปัญหาที่การฝากข้อมูลเชิงควอนไทล์จะแก้ได้ ให้พิจารณา แสดงในรูปต่อไปนี้ โดยที่แต่ละ จากสิบถังหมายถึงจำนวน 10,000 ดอลลาร์พอดี โปรดสังเกตว่าที่เก็บข้อมูลจาก 0 ถึง 10,000 จะมีตัวอย่างหลายสิบรายการ แต่ที่เก็บข้อมูลตั้งแต่ 50,000 ถึง 60,000 จะมีตัวอย่างเพียง 5 รายการ ดังนั้น โมเดลจึงมีตัวอย่างเพียงพอที่จะฝึกในค่า 0 ถึง 10,000 แต่ยังมีตัวอย่างไม่เพียงพอที่จะฝึกสำหรับที่เก็บข้อมูล 50,000 ถึง 60,000 รายการ
![รูปที่ 13 แปลงราคารถยนต์เทียบกับจำนวนรถที่ขาย
ในราคานั้น จำนวนรถยนต์ที่ขายได้สูงสุดที่ราคา 6,000 คัน
สูงกว่าราคา 6,000 ซึ่งเท่ากับจำนวนรถยนต์ที่ขายโดยทั่วไป
ลดลงเนื่องจากมีรถยนต์ที่ขายได้น้อยมากระหว่าง 40,000 ถึง
60,000 คน แผนภูมิแบ่งออกเป็น 6 ส่วนที่มีขนาดเท่าๆ กัน โดยแต่ละบล็อกมี
เป็นช่วง 10,000 ที่เก็บข้อมูลชุดแรกจะมีรถที่ขายไปทั้งหมด
ตั้งแต่ราคา 0 ถึง 10,000
ที่เก็บข้อมูลมีรถยนต์ทั้งหมดที่ขายได้ในราคาระหว่าง 10,001 ถึง
20,000 รายต่อๆ ไป ที่เก็บข้อมูลแรกจะมีตัวอย่างมากมาย ที่
ที่เก็บข้อมูลที่ตามมาจะมีตัวอย่างน้อยกว่า](https://developers.google.cn/static/machine-learning/crash-course/images/NeedsQuantileBucketing.png?authuser=7&hl=th)
ในทางตรงกันข้าม ตัวเลขต่อไปนี้ใช้การสะสมควอนไทล์เพื่อแบ่งราคารถยนต์ ลงในถังขยะที่มีตัวอย่างจำนวนเท่ากันโดยประมาณในที่เก็บข้อมูลแต่ละชุด สังเกตว่าถังขยะบางกล่องมีช่วงราคาแคบ ขณะที่บางถัง ครอบคลุมช่วงราคาที่กว้างมาก
![รูปที่ 14 เหมือนกับตัวเลขก่อนหน้า ยกเว้นที่เก็บข้อมูลควอนไทล์
กล่าวคือ ตอนนี้ที่เก็บข้อมูลจะมีขนาดต่างกัน ที่เก็บข้อมูลแรก
ซึ่งมียอดขายตั้งแต่ 0 ถึง 4,000 คัน ถังที่สองประกอบด้วย
จำนวนรถยนต์ที่ขายได้ตั้งแต่ 4,001 ถึง 6,000 คัน ที่เก็บข้อมูลที่ 6 ประกอบด้วย
จำนวนรถยนต์ที่ขายได้ตั้งแต่ 25,001 ถึง 60,000 คัน จำนวนรถยนต์ในถังแต่ละคัน
ก็เหมือนเดิม](https://developers.google.cn/static/machine-learning/crash-course/images/QuantileBucketing.png?authuser=7&hl=th)