ดาวน์โหลด All Proceeding - AS Nida
ดาวน์โหลด All Proceeding - AS Nida ดาวน์โหลด All Proceeding - AS Nida
เมื่อ มีการแจกแจงแบบเบอรนูลลีที่เปนอิสระกันมีคาเฉลี่ยและความ แปรปรวน ดังนี้ ดังนั้น ตัวแบบการถดถอยคือ เมื่อ ตัวแบบคอมพลีเมนทารีล็อก-ล็อก (Complementary log-log Model) ตัวแบบคอมพลีเมนทารีล็อก-ล็อก(Complementary log-log model) เปนสวนที่ขยายจากตัวแบบโลจิท(Logit model) และตัวแบบโพ รบิท(Probit model) เมื่อคา มีคาเขาใกล 1 อยางรวดเร็ว เพิ่มขึ้นจาก 0 คอนขางชา แตคาของ จะ สําหรับ ฟงกชันเชื่อมโยง(Link Function) ที่ใชในตัวแบบ โลจิทและโพรบิทนั้นจะมีคุณสมบัติสมมาตร(Symmetric) หรือ รอบคา 0.5 นั้นคือจากฟงกชันโลจิท ่ ่ จาก หมายถึงโคงของ สําหรับตัวแบบโลจิทและตัวแบบโพรบิทจะมีรูปแบบสมมาตรรอบจุด ที โดยเฉพาะเมื่อ จะมีคาเขาใกล 0 ดวยอัตราที่เทากันกับ เมื่อ จะมีคาเขาใกล 1 อยางรวดเร็ว แตถา เพิ่มขึ้นจาก 0 คอนขางชา แตมีคาเขาใกล 1 อยาง รวดเร็วดังรูปที 1ดวยตัวแบบโลจิทและตัวแบบโพรบิท จึงไมเหมาะสม กับขอมูล จึงควรใชตัวแบบอื่นคือตัวแบบคอมพลีเมนทารีล็อก-ล็อก และ ลักษณะของกราฟของ ดังรูปที่1 สําหรับตัวแบบคอมพลีเมนทารีล็อก-ล็อกแสดง รูปที่ 1 กราฟของ สําหรับตัวแบบคอมพลีเมนทารีล็อก-ล็อก 326 จากลักษณะของกราฟ ขางตน ควรใชเสนโคงฟงกชัน คือ ซึ่งมีรูปแบบไมสมมาตรคือ มีคาลดลงจาก 1รวดเร็วกวาาร เขาใกล 0 โดยสอดคลองกับรูปที่1ฟงกชัน (2) นําไปสูตัวแบบคอม พลีเมนทารีล็อก-ล็อกในสมการ (3) คือ (3) ตัวแบบคอมพลีเมนทารีล็อก-ล็อกในรูปความสัมพันธเชิงเสน โดย คือ คาความนาจะเปนเมื่อเกิดเหตุการณที่สนใจในหนวยที่ คือ ตัวแปรตามเชิงคุณภาพที่มีคาไดเพียง 2 คา คือ 0 และ 1 คือ ตัวแปรแฝง(Latent variable)ที่ไมสามารถสังเกตได จึงไมทราบ คาที่แทจริงทราบเพียงแตผลที่เกิดขึ้น คือ เวกเตอรตัวแปรอิสระหนวยที่ คือ เวกเตอรพารามิเตอรของตัวแบบ คือ ตัวแปรคาคลาดเคลือนที่เปนอิสระกัน หรือคาคาดหมายอยางมี เงื่อนไข(Conditional expectation) หนวยที่ ตัวแปรสุมปกติมาตราฐาน โดย เมื่อแตละคาสังเกต คือตัวแปรสุมแบบเบอรนูลลี ซึ่ง ซึ่งมีการแจกแจงความนาจะเปนคือ โดย ฟงกชั่นความนาจะเปนรวมคือ (2)
ลอการิทึมธรรมชาติของฟงกชั่นความนาจะเปนรวมคือ เมื่อ ดังนั้น ลอการิทึมธรรมชาติของฟงกชันภาวะนาจะเปน (Log-likelihood function) คือ เมื่อเราทราบการแจกแจงของ เราสามารถสรางฟงกชันภาวะ นาจะเปนได เนื่องจากการประมาณคาไมไดเปนไปตามรูปแบบ เราจึง ตองใชวิธีการประมาณเชิงตัวเลข(จําเปนตองทําซ้ําเพื่อใหไดซึ่งตัว ประมาณความนาจะเปนสูงสุด (Maximum Likelihood Estimator: MLE) โดยการทําซ้ํา 1 ครั้งจะไดตัวประมาณภาวะนาจะเปน สูงสุด แลวทําการคํานวนคาประมาณของ ดังนี้ เมื่อประมาณคาพารามิเตอรดวยวิธีภาวะความนาเปนสูงสุดใน ตัวแบบการถดถอยโลจิสติกทวินาม แลวจะสามารถนําไปใชในการ พยากรณการจําแนกกลุมของตัวแบบตอไป 2.2เสนโคง ROC (Receiver Operating Characteristic Curve) Receiver Operating Characteristic Curve หรือเรียกงายๆ วา “ROC Curve” ถูกนํามาใชในการประเมินความถูกตองของการพยากรณ เหตุการณในระบบจําแนกกลุมกรณีแบงเปน 2 กลุม ไดแก กลุมที่เกิด เหตุการณที่สนใจและกลุมที่ไมเกิดเหตุการณที่สนใจ โดยอยูในรูปของ กราฟที่พล็อตระหวางคา Sensitivity หรือ True-Positive Rate ซึ่งเปน อัตราสวนของการพยากรณถูกตองของการเกิดเหตุการณที่ สนใจ และคา 1-Specificity หรือ False-Positive Rate ซึ่งเปน อัตราสวนของการพยากรณผิดของการไมเกิดเหตุการณที่สนใจ โดยจะกําหนดให 1-Specificity อยูบนแกน และ Sensitivity อยูบน แกน และกราฟอยูในชวง ดังรูปที่ 2 327 รูปที่ 2 ตัวอยางเสนโคงและพื้นที่ใตโคง สําหรับการคํานวนคา Sensitivity และ 1-Specificity จะทํา โดยการกําหนดคาจุดตัด(Cut-off) ที่ระดับตางๆ ระหวาง 0 ถึง 1 เพื่อ เปรียบเทียบกับคาความนาจะเปนของการเกิดเหตุการณที่สนใจที่ไดจาก การพยากรณของแตละหนวยตัวอยางดวยตัวแบบประมาณที่ไดจากการ วิเคราะห แลวทําการจําแนกกลุมของตัวแปรตามซึ่งเปนตัวแปรที่ ตองการพยากรณ ออกเปน 2 กลุม โดยที่ ถา แลว ตัวอยางจะถูกพยากรณใหอยูในกลุมที่ไมเกิดเหตุการณ แลว ตัวอยางจะถูกพยากรณใหอยูในกลุมที่เกิดเหตุการณ จากนั้นจึงคํานวนหาสัดสวนของการพยากรณเหตุการณ เพื่อ นําคาที่ไดไปทําการพล็อตโคง ROC และคํานวนหาพื้นที่ใตโคง ซึ่งสูตร การคํานวน Sensitivity และ 1-Specificity เปนดังนี้ ตารางที่ 1 ตารางการจัดจําแนกการถดถอยโลจิสติกแบบทวินาม คาสังเกต คาพยากรณ จํานวนเหตุการณที่ สนใจ จํานวนเหตุการณที่ ไมสนใจ จํานวน เหตุการณที่ ใหผลบวก จํานวน เหตุการณที่ ใหผลลบ TP FN TP+FN FP TN FP+TN
- Page 298 and 299: ่ ่ ตารางที 2 เ
- Page 300 and 301: ตารางการผลิ
- Page 303 and 304: การผลิตแบบผ
- Page 305 and 306: 1. การวางคําส
- Page 307 and 308: รูปที่ 8 โครโ
- Page 309 and 310: รูปที่ 11 วงลอ
- Page 311 and 312: [11] M. L. Pinedo, “Scheduling: T
- Page 314 and 315: ตารางที่ 2 ตา
- Page 317: กระบวนการบด
- Page 323 and 324: ซึ่งทําใหเก
- Page 326 and 327: เอกสารอางอิ
- Page 328: ผลิตภัณฑนี้
- Page 332: บทคัดยอ 312 การ
- Page 336 and 337: ถาพิจารณาคา
- Page 338: 4. เมื่อพิจาร
- Page 343: 6.2 ดานการศึกษ
- Page 348: True positive (TP)คือ จํ
- Page 354 and 355: โดยที่ A เปนจ
- Page 356 and 357: นางปรารถนา ม
- Page 359: 2.2 การออกแบบก
- Page 364: ตารางภาคผนว
- Page 369 and 370: 349 การประชุมว
- Page 371 and 372: - หนวยที่ i จะถ
- Page 374: 354 การประชุมว
- Page 377 and 378: การวิจัยทํา
- Page 379 and 380: ecdf_Value at Risk ecdf_Value at Ri
- Page 381 and 382: 361 การประชุมว
- Page 384 and 385: y คือ ตัวแปรต
- Page 387 and 388: อนึ่งในการศ
- Page 389: ประเทศไทยใน
- Page 393 and 394: ตารางที่ คาเ
- Page 395 and 396: ปฏิบัตินั้น
ลอการิทึมธรรมชาติของฟงกชั่นความนาจะเปนรวมคือ<br />
เมื่อ<br />
ดังนั้น<br />
ลอการิทึมธรรมชาติของฟงกชันภาวะนาจะเปน (Log-likelihood<br />
function) คือ<br />
เมื่อเราทราบการแจกแจงของ<br />
เราสามารถสรางฟงกชันภาวะ<br />
นาจะเปนได เนื่องจากการประมาณคาไมไดเปนไปตามรูปแบบ<br />
เราจึง<br />
ตองใชวิธีการประมาณเชิงตัวเลข(จําเปนตองทําซ้ําเพื่อใหไดซึ่งตัว<br />
ประมาณความนาจะเปนสูงสุด (Maximum Likelihood Estimator: MLE)<br />
โดยการทําซ้ํา<br />
1 ครั้งจะไดตัวประมาณภาวะนาจะเปน<br />
สูงสุด แลวทําการคํานวนคาประมาณของ<br />
ดังนี้<br />
เมื่อประมาณคาพารามิเตอรดวยวิธีภาวะความนาเปนสูงสุดใน<br />
ตัวแบบการถดถอยโลจิสติกทวินาม แลวจะสามารถนําไปใชในการ<br />
พยากรณการจําแนกกลุมของตัวแบบตอไป<br />
2.2เสนโคง ROC (Receiver Operating Characteristic<br />
Curve)<br />
Receiver Operating Characteristic Curve หรือเรียกงายๆ วา<br />
“ROC Curve” ถูกนํามาใชในการประเมินความถูกตองของการพยากรณ<br />
เหตุการณในระบบจําแนกกลุมกรณีแบงเปน<br />
2 กลุม<br />
ไดแก กลุมที่เกิด<br />
เหตุการณที่สนใจและกลุมที่ไมเกิดเหตุการณที่สนใจ<br />
โดยอยูในรูปของ<br />
กราฟที่พล็อตระหวางคา<br />
Sensitivity หรือ True-Positive Rate ซึ่งเปน<br />
อัตราสวนของการพยากรณถูกตองของการเกิดเหตุการณที่<br />
สนใจ และคา 1-Specificity หรือ False-Positive Rate ซึ่งเปน<br />
อัตราสวนของการพยากรณผิดของการไมเกิดเหตุการณที่สนใจ<br />
โดยจะกําหนดให 1-Specificity อยูบนแกน<br />
และ Sensitivity อยูบน<br />
แกน และกราฟอยูในชวง<br />
ดังรูปที่<br />
2<br />
327<br />
รูปที่<br />
2 ตัวอยางเสนโคงและพื้นที่ใตโคง<br />
สําหรับการคํานวนคา Sensitivity และ 1-Specificity จะทํา<br />
โดยการกําหนดคาจุดตัด(Cut-off) ที่ระดับตางๆ<br />
ระหวาง 0 ถึง 1 เพื่อ<br />
เปรียบเทียบกับคาความนาจะเปนของการเกิดเหตุการณที่สนใจที่ไดจาก<br />
การพยากรณของแตละหนวยตัวอยางดวยตัวแบบประมาณที่ไดจากการ<br />
วิเคราะห แลวทําการจําแนกกลุมของตัวแปรตามซึ่งเปนตัวแปรที่<br />
ตองการพยากรณ ออกเปน 2 กลุม<br />
โดยที่<br />
ถา แลว<br />
ตัวอยางจะถูกพยากรณใหอยูในกลุมที่ไมเกิดเหตุการณ<br />
แลว<br />
ตัวอยางจะถูกพยากรณใหอยูในกลุมที่เกิดเหตุการณ<br />
จากนั้นจึงคํานวนหาสัดสวนของการพยากรณเหตุการณ<br />
เพื่อ<br />
นําคาที่ไดไปทําการพล็อตโคง<br />
ROC และคํานวนหาพื้นที่ใตโคง<br />
ซึ่งสูตร<br />
การคํานวน Sensitivity และ 1-Specificity เปนดังนี้<br />
ตารางที่<br />
1 ตารางการจัดจําแนกการถดถอยโลจิสติกแบบทวินาม<br />
คาสังเกต<br />
คาพยากรณ<br />
จํานวนเหตุการณที่<br />
สนใจ<br />
จํานวนเหตุการณที่<br />
ไมสนใจ<br />
จํานวน<br />
เหตุการณที่<br />
ใหผลบวก<br />
จํานวน<br />
เหตุการณที่<br />
ใหผลลบ<br />
TP FN TP+FN<br />
FP TN FP+TN