Model and Cost function
สิ่งต่อไปที่จำเป็นต้องรู้และเข้าใจใน Machine learning ก็คือ Model และ Cost function ซึ่งเป็นส่วนสำคัญที่จะทำให้เราเข้าใจใน Machine learning ว่า จริงๆแล้วมันทำงานยังไงกันแน่ หากเราเข้าใจในความหมายของ Model และ Cost function
Model
คำนิยามของ Model นั้นถ้าเราไปค้นหาคำนิยามของ Model จะพบว่า แต่ละที่ แต่ละบุคคลนั้นจะกล่าวเป็นคำนิยามที่ไม่เหมือนกัน เนื่องจาก Model ไม่มีคำนิยามตายตัว แต่ไม่ได้หมายความว่า Model ไม่มีความหมาย
ซึ่งความหมายของ Model นั้น แม้ในแต่ละบุคคลจะกล่าวไม่เหมือนกัน แต่ความหมายโดยสรุปแล้วนั้นมีลักษณะเดียวกัน
Model (แบบจำลอง) นั้นเป็นเพียงแค่ฟังก์ชั่นการดำเนินการในการรับข้อมูล (input) และดำเนินการเพื่อประมวลผลให้ได้ผลลัพท์ (output)
ว่ากันง่ายๆ คือ กล่อง ที่รับข้อมูลเข้าไปประมวลผลให้ได้ผลลัพท์ออกมา เช่น กล่องที่มีความสามารถในรับรูป หมาและแมว เพื่อประมวลผลแล้วได้ผลลัพท์ว่า รูปไหนคือหมา หรือ แมว
ซึ่ง Model นี้ละคือปลายทางที่เราต้องการ นั้นหมายถึงว่าเราต้องหาวิธีการเพื่อสร้าง Model นั้นๆ ด้วย Traning set (ข้อมูลทดลองที่เรามี) เพื่อให้มันคาดเดาผลลัพท์ให้เรา นั้นเอง
เพิ่มเติม -> การสร้าง Model นั้นก็คือการหา hypothesis function [h(x)] ที่แม่นยำด้วย ข้อมูล Training set
Cost function
cost function คือ ฟังก์ชั้นที่มีหน้าที่ช่วยในการ วัดค่าความแม่นยำของ hypothesis function ซึ่งมันคือการหาค่าเฉลี่ยของ ผลต่าง ของค่าจริงกับค่าที่คาดเดาออกมา สูตรก็ค่อนข้างตายตัว จะจำหรือไม่จำก็ได้
ฟังก์ชั่นดังกล่าวนี้เรียกได้ อีกอย่างว่า Squared error function หรือ Mean squared error พอเป็นสองชื่อนี้หลายๆ คนอาจจะเข้าใจมากขึ้น ว่าจริงๆ แล้วมันก็คือการหา Error ที่เกิดขึ้นว่ามีมากน้อยแค่ไหน เนื่องจากการคาดเดาผลลัพท์ของ Model ใน Machine learning นั้น ไม่ควรจะเป็นผลลัพท์ที่แม่นยำ 100% หรือ เปอร์เซนต์ต่ำจนเกินไป (Overfitting หรือ Underfitting ตามลำดับ) ซึ่งประเด็นนี้จะกล่าวในเรื่อง ถัดๆ ไป
วันนี้พอแค่นี้สั้นๆ ก่อน ยาวไปเดี๋ยวจะเบื่อ