พื้นฐาน Data Mining: Regression, Classification, Clustering

บทความนี้แนะนำ Data Mining (การทำเหมืองข้อมูล) ตั้งแต่แนวคิดพื้นฐาน โดยเริ่มจากความแตกต่างระหว่าง Supervised Learning และ Unsupervised Learning ก่อนเจาะลึก 4 เทคนิค ที่ใช้บ่อย ได้แก่ Linear Regression และ Classification ในกลุ่ม Supervised Learning รวมถึง Association และ Clustering ในกลุ่ม Unsupervised Learning

ทุกตัวอย่างใช้ ข้อมูลโรงพยาบาล พร้อมทั้ง ทฤษฎี + สูตร, ไฟล์ CSV แยก และ โค้ด Python ที่สามารถคัดลอกไปรันบน Google Colab ได้ทันที โดยไม่ต้องติดตั้งโปรแกรมเพิ่มเติม

1. Data Mining คืออะไร#

ทฤษฎี#

Data Mining คือกระบวนการค้นหา รูปแบบ (patterns) ความสัมพันธ์ หรือ ความรู้ที่ซ่อนอยู่ จากข้อมูลจำนวนมาก โดยประยุกต์ใช้เทคนิคจากหลายสาขา เช่น สถิติ, แมชชีนเลิร์นนิง (machine learning) และ ฐานข้อมูล (database)

เปรียบเทียบง่าย ๆ: ข้อมูล (data) เปรียบเสมือน “แร่ดิบ” ส่วน Data Mining คือกระบวนการ “ทำเหมือง” เพื่อสกัดเอา “ทองคำ” ซึ่งก็คือความรู้หรือรูปแบบที่มีคุณค่าออกมา

กระบวนการ KDD#

Data Mining มักเป็นส่วนหนึ่งของกระบวนการที่เรียกว่า KDD (Knowledge Discovery in Databases) ซึ่งเป็นกระบวนการเปลี่ยนข้อมูลดิบให้กลายเป็นความรู้ที่สามารถนำไปใช้งานได้ โดยมีขั้นตอนหลัก 4 ขั้น ดังภาพด้านล่าง

1. ข้อมูลดิบ (Raw Data) — ข้อมูลที่เก็บรวบรวมมาจากแหล่งต่าง ๆ ซึ่งอาจมีข้อมูลผิดพลาด ค่าที่หายไป ข้อมูลซ้ำ หรือรูปแบบที่ไม่สอดคล้องกัน
2. เตรียมข้อมูล (Preprocessing) — ทำความสะอาด จัดรูปแบบ และแปลงข้อมูลให้อยู่ในรูปแบบที่เหมาะสม เช่น แปลงค่าหมวดหมู่ "yes/no" ให้เป็นตัวเลข ซึ่งเรียกว่า encoding
3. ทำเหมืองข้อมูล (Mining) — เลือกเทคนิคที่เหมาะสม เช่น Classification, Association หรือ Clustering เพื่อค้นหารูปแบบจากข้อมูลที่เตรียมไว้
4. รูปแบบ/ความรู้ (Patterns) — ผลลัพธ์ที่สามารถนำไปใช้สนับสนุนการตัดสินใจ เช่น โมเดลทำนาย กฎความสัมพันธ์ หรือกลุ่มผู้ป่วยที่มีลักษณะคล้ายกัน

Supervised Learning vs Unsupervised Learning#

Machine Learning สามารถแบ่งออกเป็น 2 แนวทางหลัก โดยพิจารณาว่าข้อมูลที่ใช้ฝึกโมเดล มี label (คำตอบ) กำกับไว้หรือไม่

Supervised Learning (การเรียนรู้แบบมีผู้สอน) — ข้อมูลฝึก มี label กล่าวคือ แต่ละตัวอย่างมี “คำตอบที่ถูกต้อง” กำกับไว้ เปรียบเสมือนนักเรียนที่มี ครูคอยบอกว่าคำตอบใดถูกหรือผิด

โมเดลจะเรียนรู้ความสัมพันธ์ $f: X \to y$ ระหว่าง features $X$ ซึ่งเป็นข้อมูลนำเข้า กับ label $y$ ซึ่งเป็นคำตอบ จากนั้นจึงนำฟังก์ชัน $f$ ที่เรียนรู้ได้ไปใช้ทำนายคำตอบของข้อมูล ใหม่ ที่โมเดลไม่เคยเห็นมาก่อน

Supervised Learning แบ่งออกเป็น 2 ประเภทตามชนิดของ label

• Regression (การถดถอย) — label เป็น ตัวเลข เช่น น้ำหนัก ราคา หรืออุณหภูมิ → ดูตัวอย่างหัวข้อ 3 (Linear Regression: น้ำหนักทารก vs ความดันมารดา)
• Classification (การจำแนกประเภท) — label เป็น หมวดหมู่ เช่น ใช่/ไม่ใช่ หรือโรค A/B/C → ดูตัวอย่างหัวข้อ 4 (Decision Tree: ทำนายผู้ป่วยกลับมารักษาซ้ำ)

Unsupervised Learning (การเรียนรู้แบบไม่มีผู้สอน) — ข้อมูลฝึก ไม่มี label หรือไม่มี “คำตอบ” กำกับไว้ โมเดลจึงต้อง ค้นหาโครงสร้างหรือรูปแบบจากข้อมูลด้วยตนเอง

เปรียบเสมือนการให้นักเรียนจัดกลุ่มสิ่งของหรือค้นหาความเกี่ยวข้องระหว่างข้อมูล โดยไม่มีครูบอกคำตอบที่ถูกต้อง เช่น การรวมข้อมูลที่มีลักษณะ คล้ายกัน ให้อยู่ในกลุ่มเดียวกัน (Clustering) หรือการค้นหาว่าสิ่งใด มักเกิดร่วมกัน (Association)

จำง่าย ๆ: หากข้อมูลมี “คำตอบ” ที่ต้องการให้โมเดลทำนาย → ใช้ Supervised Learning (คำตอบเป็นตัวเลข = Regression, คำตอบเป็นหมวดหมู่ = Classification) หากไม่มีคำตอบและต้องการค้นหารูปแบบจากข้อมูล → ใช้ Unsupervised Learning (Association หรือ Clustering)

2. เตรียมสภาพแวดล้อม: Google Colab#

Google Colab คือสภาพแวดล้อมแบบจูปเตอร์โน้ตบุ๊ก (Jupyter Notebook) ที่ช่วยให้สามารถเขียนและรัน Python ผ่านเว็บเบราว์เซอร์ได้ฟรี โดยไม่ต้องติดตั้ง Python ลงในเครื่อง

Google Colab มีไลบรารียอดนิยม เช่น pandas, scikit-learn และ matplotlib ติดตั้งไว้ให้แล้ว จึงเหมาะสำหรับการทดลอง Data Mining และ Machine Learning เบื้องต้น

1. เปิด https://colab.research.google.com ↗ แล้วเลือก New notebook
2. รันเซลล์ (cell) แรกด้านล่าง เพื่อติดตั้งไลบรารี mlxtend ซึ่งจะใช้ในหัวข้อ Association จากนั้น import ไลบรารีทั้งหมดที่จำเป็นสำหรับบทความนี้

# เซลล์ที่ 1: ติดตั้ง + import (รันครั้งเดียว)
!pip install mlxtend -q

import pandas as pd
import matplotlib.pyplot as plt
from google.colab import files
import warnings
warnings.filterwarnings("ignore", category=DeprecationWarning)  # ปิดการแจ้งเตือน DeprecationWarning

from sklearn.tree import DecisionTreeClassifier, plot_tree
from sklearn.cluster import KMeans
from mlxtend.preprocessing import TransactionEncoder
from mlxtend.frequent_patterns import apriori, association_rules

สามารถรันแต่ละเซลล์ได้โดยกดปุ่ม Play ทางด้านซ้ายของเซลล์ หรือกด Shift + Enter

3. Linear Regression (การถดถอยเชิงเส้น)#

ทฤษฎี#

Regression เป็น Supervised Learning ประเภทหนึ่งที่ใช้สำหรับทำนาย ค่าตัวเลขต่อเนื่อง (continuous value) แตกต่างจาก Classification ซึ่งใช้ทำนายข้อมูลที่เป็นหมวดหมู่

ในตัวอย่างนี้ เราจะสร้างโมเดลเพื่อทำนาย น้ำหนักแรกเกิดของทารก (กรัม) จาก ความดันโลหิตของมารดา (mmHg)

Linear Regression ตั้งสมมติฐานว่าความสัมพันธ์ระหว่างตัวแปรต้น $x$ (ความดันโลหิตของมารดา) และตัวแปรตาม $y$ (น้ำหนักทารกแรกเกิด) สามารถอธิบายได้ด้วย สมการเส้นตรง

$\hat{y} = w x + b$

โดยที่

• $w$ = Slope (ความชันของเส้นตรง) แสดงว่าเมื่อ $x$ เพิ่มขึ้น 1 หน่วย ค่า $y$ จะเปลี่ยนแปลงไป $w$ หน่วย
• $b$ = Intercept (จุดตัดแกน y) คือค่าของ $y$ เมื่อ $x = 0$
• $\hat{y}$ = ค่าที่โมเดลทำนาย

เป้าหมายของโมเดลคือการหาค่า $w$ และ $b$ ที่ทำให้ผลรวมกำลังสองของ ค่าคลาดเคลื่อน (Residual) ระหว่างค่าจริง $y_i$ และค่าที่โมเดลทำนาย $\hat{y}_i$ มีค่าน้อยที่สุด วิธีนี้เรียกว่า Ordinary Least Squares (OLS)

$\text{Loss} = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2$

เมื่อฝึกโมเดลแล้ว เราสามารถประเมินคุณภาพของเส้นตรงได้ด้วยค่า $R^2$ (Coefficient of Determination) ซึ่งมีค่าระหว่าง 0 ถึง 1

• $R^2 = 1$ → โมเดลอธิบายข้อมูลได้สมบูรณ์ ทุกจุดอยู่บนเส้นตรง
• $R^2 = 0$ → โมเดลไม่สามารถอธิบายข้อมูลได้ดีกว่าการใช้ค่าเฉลี่ยของ $y$

ข้อควรระวัง: ความสัมพันธ์ (Correlation) ไม่ได้หมายความว่าเป็น เหตุและผล (Causation) เสมอไป โมเดลนี้เพียงแสดงให้เห็นว่า ความดันโลหิตของมารดาที่สูงขึ้น “มีความสัมพันธ์” กับน้ำหนักทารกที่ลดลง (เช่น อาจเกิดจากภาวะครรภ์เป็นพิษ) แต่ไม่ได้พิสูจน์ว่าความดันโลหิตเป็นสาเหตุโดยตรงของน้ำหนักทารกที่ลดลง

ข้อมูล: pregnancy_bp.csv#

ชุดข้อมูลตัวอย่างประกอบด้วยข้อมูลของมารดา 16 ราย โดยมี 2 คอลัมน์ ได้แก่

• maternal_bp — ความดันโลหิตของมารดา (mmHg)
• birth_weight — น้ำหนักแรกเกิดของทารก (กรัม)

maternal_bp,birth_weight
110,3550
113,3480
116,3520
119,3390
122,3340
125,3300
128,3210
131,3150
134,3080
137,3000
140,2940
143,2850
146,2780
149,2680
152,2620
155,2500

โค้ด#

# เซลล์ที่ 2: Linear Regression — อัปโหลด/โหลด pregnancy_bp.csv แล้ววิเคราะห์
files.upload()  # เลือก pregnancy_bp.csv
from sklearn.linear_model import LinearRegression

df_pregnancy = pd.read_csv("pregnancy_bp.csv")
X = df_pregnancy[["maternal_bp"]]
y = df_pregnancy["birth_weight"]

model = LinearRegression()
model.fit(X, y)

print(f"Slope (w)     = {model.coef_[0]:.2f}  g/mmHg")
print(f"Intercept (b) = {model.intercept_:.2f}  g")
print(f"R^2           = {model.score(X, y):.3f}")

# ทำนายน้ำหนักทารก สำหรับมารดาความดัน 140 mmHg
pred = model.predict(
    pd.DataFrame({"maternal_bp": [140]})
)[0]
print(f"ทำนายน้ำหนักทารก @ BP=140 mmHg = {pred:.0f} g")

# กราฟ: จุดข้อมูลจริง + เส้นทำนาย
plt.scatter(X, y)
plt.plot(X, model.predict(X), color="red", label="Regression line")
plt.xlabel("Maternal systolic BP (mmHg)")
plt.ylabel("Birth weight (g)")
plt.legend()
plt.show()

เมื่อรันโปรแกรม จะพบว่า Slope มีค่าติดลบ (ประมาณ −20 ถึง −25 g/mmHg) ซึ่งหมายความว่า

เมื่อความดันโลหิตของมารดาเพิ่มขึ้น 1 mmHg น้ำหนักแรกเกิดของทารกมีแนวโน้มลดลงประมาณ 20 กรัม

นอกจากนี้ ค่า $R^2$ จะมีค่าใกล้ 1 แสดงว่าเส้นตรงสามารถอธิบายความสัมพันธ์ของข้อมูลชุดนี้ได้เป็นอย่างดี

กราฟจะแสดงจุดข้อมูลจริง (Scatter Plot) พร้อมเส้นแนวโน้มสีแดงที่ได้จากโมเดล Linear Regression ซึ่งช่วยให้เห็นความสัมพันธ์เชิงเส้นระหว่างตัวแปรทั้งสองได้อย่างชัดเจน

การประยุกต์ใช้งาน: โรงพยาบาลอาจใช้โมเดลลักษณะนี้เป็นเครื่องมือช่วยคัดกรอง เพื่อระบุว่ามารดาที่มีความดันโลหิตสูงผิดปกติควรได้รับการเฝ้าระวังการเจริญเติบโตของทารกในครรภ์อย่างใกล้ชิด

กิจกรรม#

ทดลองเปลี่ยนค่าที่ใช้ทำนายในคำสั่ง

model.predict([[140]])

เป็น

model.predict([[120]])

และ

model.predict([[150]])

จากนั้นเปรียบเทียบผลลัพธ์ที่ได้ แล้วสังเกตว่าน้ำหนักทารกที่โมเดลทำนายเปลี่ยนแปลงไปอย่างไร

ผลลัพธ์ควรสอดคล้องกับ Slope ที่มีค่าติดลบ กล่าวคือ เมื่อความดันโลหิตของมารดาสูงขึ้น น้ำหนักแรกเกิดของทารกที่โมเดลทำนายจะมีแนวโน้มลดลง

4. Classification (การจำแนกประเภท)#

ทฤษฎี#

Classification ใช้ตอบคำถามว่า “จากคุณลักษณะที่มี ข้อมูลนี้ควรอยู่ในหมวดหมู่ใด?”

Classification เป็นงานประเภท Supervised Learning (การเรียนรู้แบบมีผู้สอน) เพราะข้อมูลที่ใช้ฝึกโมเดลมี คำตอบหรือ Label กำกับไว้แล้ว โมเดลจะเรียนรู้ฟังก์ชัน $f$ ที่เชื่อมโยง Features $X$ ไปยัง Label $y$

$y = f(X)$

จากนั้นจึงนำฟังก์ชัน $f$ ที่เรียนรู้ได้ไปใช้ทำนาย Label ของข้อมูล ใหม่ ที่โมเดลไม่เคยเห็นมาก่อน

ในตัวอย่างนี้ Label คือ readmitted ซึ่งระบุว่าผู้ป่วยจะกลับมารักษาซ้ำหรือไม่

ส่วนประกอบสำคัญของ Classification ได้แก่

• Training Set — ชุดข้อมูลที่ใช้ฝึกโมเดล
• Test Set — ชุดข้อมูลที่แยกเก็บไว้สำหรับประเมินผล โดยไม่ใช้ในการฝึก เพื่อดูว่าโมเดลสามารถทำนายข้อมูลใหม่ได้ดีเพียงใด
• Model — ผลลัพธ์จากกระบวนการฝึก ซึ่งก็คือฟังก์ชัน $f$ ที่เรียนรู้ความสัมพันธ์ระหว่าง Features และ Label

อัลกอริทึม: Decision Tree กับ Entropy#

Decision Tree (ต้นไม้ตัดสินใจ) เป็นอัลกอริทึมที่สร้างกฎในลักษณะ “ถ้า…แล้ว…” และจัดเรียงกฎเหล่านั้นเป็นโครงสร้างต้นไม้ จึงสามารถอ่านและอธิบายผลลัพธ์ได้ง่าย

หัวใจสำคัญของ Decision Tree คือการเลือกแอตทริบิวต์ที่สามารถแบ่งข้อมูลออกเป็นกลุ่มที่บริสุทธิ์มากที่สุด หรือช่วยลด ความไม่บริสุทธิ์ (Impurity) ของข้อมูลได้มากที่สุด

ค่าความไม่บริสุทธิ์สามารถวัดได้ด้วย Entropy

$\text{Info}(D) = -\sum_{i=1}^{c} p_i \log_2(p_i)$

โดยที่ $p_i$ คือสัดส่วนของตัวอย่างที่อยู่ในคลาสที่ $i$ ภายในชุดข้อมูล $D$

• $\text{Info}(D) = 0$ → ข้อมูลบริสุทธิ์ทั้งหมด กล่าวคือทุกตัวอย่างอยู่ในคลาสเดียวกัน
• $\text{Info}(D)$ สูง → ข้อมูลมีหลายคลาสปะปนกัน และมีความไม่แน่นอนสูง

เมื่อแบ่งชุดข้อมูล $D$ ด้วยแอตทริบิวต์ $A$ ซึ่งมีค่าย่อยทั้งหมด $v$ ค่า จะได้ชุดข้อมูลย่อย $D_1, \ldots, D_v$

ค่าความคาดหวังของ Entropy หลังการแบ่งข้อมูลคำนวณได้จาก

$\text{Info}*A(D) = \sum*{j=1}^{v} \frac{|D_j|}{|D|} \text{Info}(D_j)$

จากนั้นคำนวณ Information Gain ได้ดังนี้

$\text{Gain}(A) = \text{Info}(D) - \text{Info}_A(D)$

Decision Tree จะเลือกแอตทริบิวต์ที่ให้ค่า Information Gain สูงที่สุด มาใช้แบ่งข้อมูลที่ Node นั้น แล้วทำกระบวนการเดิมซ้ำในแต่ละกิ่งจนกระทั่งถึง Leaf

ใน scikit-learn การกำหนดพารามิเตอร์ criterion="entropy" หมายถึงให้โมเดลใช้ Entropy และ Information Gain ในการเลือกจุดแบ่งข้อมูล

ข้อควรระวังเรื่อง Overfitting: หากต้นไม้มีความลึกมากเกินไป โมเดลอาจ “จดจำ” รายละเอียดและสัญญาณรบกวน (Noise) ของ Training Set มากเกินไป ทำให้ทำนายข้อมูลใหม่ได้ไม่ดี แนวทางแก้ไข ได้แก่ การจำกัดความลึกด้วย max_depth, การแบ่งข้อมูลเป็น Training Set และ Test Set หรือการตัดแต่งต้นไม้ (Pruning)

ข้อมูล: readmission.csv#

ชุดข้อมูลตัวอย่างประกอบด้วยผู้ป่วย 14 ราย โดยมี Features ได้แก่ age_group, blood_pressure, glucose และ length_of_stay ส่วน Label คือ readmitted ซึ่งมีค่าเป็น yes หรือ no

age_group,blood_pressure,glucose,length_of_stay,readmitted
young,normal,normal,short,no
young,normal,high,short,no
middle,high,normal,long,yes
senior,high,normal,long,yes
senior,normal,high,short,no
senior,high,high,long,yes
middle,normal,high,long,yes
young,high,normal,short,no
young,normal,normal,short,no
senior,high,high,short,yes
young,high,high,short,yes
middle,normal,normal,long,no
middle,high,normal,long,yes
senior,normal,normal,short,no

โค้ด#

# เซลล์ที่ 3: Classification — อัปโหลด/โหลด readmission.csv แล้ววิเคราะห์
files.upload()  # เลือก readmission.csv
df_readmission = pd.read_csv("readmission.csv")

# 1) แยก features ออกจาก label
X = df_readmission.drop(columns=["readmitted"])
y = df_readmission["readmitted"]

# 2) Preprocessing: one-hot encoding แปลงหมวดหมู่ (ข้อความ) เป็น 0/1
#    เช่น blood_pressure=high/normal กลายเป็นคอลัมน์ blood_pressure_high, blood_pressure_normal
X_encoded = pd.get_dummies(X)

# 3) ฝึก Decision Tree (criterion="entropy" = ใช้ information gain)
clf = DecisionTreeClassifier(criterion="entropy", max_depth=4, random_state=0)
clf.fit(X_encoded, y)

# 4) ทำนายผู้ป่วยใหม่: senior, ความดันสูง, น้ำตาลสูง, รักษานาน
new_patient = pd.DataFrame(
    [["senior", "high", "high", "long"]],
    columns=["age_group", "blood_pressure", "glucose", "length_of_stay"],
)
new_encoded = pd.get_dummies(new_patient).reindex(
    columns=X_encoded.columns, fill_value=0
)
print("ทำนาย readmitted สำหรับผู้ป่วยใหม่:", clf.predict(new_encoded)[0])

# 5) แสดงต้นไม้ตัดสินใจที่โมเดลสร้างขึ้น
plt.figure(figsize=(14, 6))
plot_tree(
    clf,
    feature_names=X_encoded.columns,
    class_names=clf.classes_,
    filled=True,
    rounded=True,
    fontsize=9,
)
plt.show()

เมื่อรันโปรแกรม โมเดลจะทำนายผู้ป่วยใหม่ว่า yes ซึ่งหมายถึงมีแนวโน้มกลับมารักษาซ้ำ และ Google Colab จะแสดงภาพต้นไม้ตัดสินใจที่โมเดลสร้างขึ้น

ลองอ่านเส้นทางจาก Root Node ด้านบนลงไปยัง Leaf Node ด้านล่าง จะเห็นกฎที่โมเดลเรียนรู้จากข้อมูล เช่น การตรวจสอบระดับความดันโลหิต ระดับน้ำตาล หรือระยะเวลาที่พักรักษาในโรงพยาบาล

ในชุดข้อมูลตัวอย่างนี้ ตัวแปร blood_pressure มักมีบทบาทสำคัญในการแบ่งข้อมูล เนื่องจากผู้ป่วยที่มีความดันโลหิตสูงปรากฏร่วมกับการกลับมารักษาซ้ำหลายกรณี

อย่างไรก็ตาม ผลลัพธ์นี้เกิดจากข้อมูลตัวอย่างขนาดเล็ก จึงใช้เพื่อสาธิตหลักการทำงานของ Decision Tree เท่านั้น ไม่ควรนำไปใช้ตัดสินใจทางการแพทย์จริงโดยตรง

กิจกรรม#

ลองเพิ่มข้อมูลผู้ป่วยตัวอย่างอีก 2–3 รายลงในไฟล์ readmission.csv จากนั้นอัปโหลดไฟล์ใหม่และรันโค้ดอีกครั้ง

สังเกตว่าต้นไม้ตัดสินใจที่ได้เปลี่ยนแปลงไปอย่างไร เช่น

• ตัวแปรที่ใช้แบ่งข้อมูลใน Root Node เปลี่ยนไปหรือไม่
• จำนวนกิ่งและความลึกของต้นไม้เปลี่ยนแปลงหรือไม่
• คำทำนายของผู้ป่วยใหม่ยังคงเป็น yes หรือไม่

กิจกรรมนี้ช่วยให้เห็นว่า Decision Tree เรียนรู้กฎจากรูปแบบของข้อมูลโดยตรง ดังนั้นเมื่อข้อมูลฝึกเปลี่ยน โครงสร้างของต้นไม้และผลการทำนายก็อาจเปลี่ยนตามไปด้วย

5. Association Analysis (การวิเคราะห์ความสัมพันธ์)#

ทฤษฎี#

Association Analysis เป็นเทคนิคสำหรับค้นหา สิ่งที่มักปรากฏร่วมกัน ภายในธุรกรรมหรือเหตุการณ์ต่าง ๆ

ในบริบททางการแพทย์ เทคนิคนี้สามารถใช้ค้นหา โรคร่วม (comorbidities) ที่มักพบในผู้ป่วยคนเดียวกัน เช่น “ผู้ป่วยที่มีคอเลสเตอรอลสูง มักมีโรคอ้วนร่วมด้วย”

งานประเภทนี้ ไม่มี label และไม่ได้มุ่งทำนายผลลัพธ์ แต่เน้นค้นหา ความสัมพันธ์ ระหว่างการวินิจฉัยหรือเหตุการณ์ที่มักเกิดร่วมกัน

กำหนดให้

• $I = {i_1, i_2, \ldots}$ คือเซตของไอเทมทั้งหมด ในตัวอย่างนี้คือการวินิจฉัยโรคทั้งหมด
• แต่ละธุรกรรม $T$ เป็นเซตย่อยของ $I$ ซึ่งแทนการวินิจฉัยทั้งหมดของผู้ป่วยหนึ่งราย
• Itemset คือเซตย่อยของ $I$
• k-itemset คือ Itemset ที่ประกอบด้วยไอเทมจำนวน $k$ รายการ
• $\sigma(X)$ คือ Support Count หรือจำนวนธุรกรรมที่มี Itemset $X$
• $N$ คือจำนวนธุรกรรมทั้งหมด

ตัวชี้วัดสำคัญของกฎความสัมพันธ์ $X \to Y$ มี 3 ค่า ได้แก่ Support, Confidence และ Lift

$\text{Support}(X \to Y) = \frac{\sigma(X \cup Y)}{N}$

$\text{Confidence}(X \to Y) = \frac{\sigma(X \cup Y)}{\sigma(X)} = P(Y \mid X)$

$\text{Lift}(X \to Y) = \frac{\text{Support}(X \cup Y)}{\text{Support}(X),\text{Support}(Y)}$

• Support — แสดงความถี่โดยรวมของกฎ หรือสัดส่วนของธุรกรรมทั้งหมดที่มีทั้ง $X$ และ $Y$

• Confidence — แสดงว่าในบรรดาธุรกรรมที่มี $X$ มีสัดส่วนเท่าใดที่พบ $Y$ ร่วมด้วย

• Lift — ใช้เปรียบเทียบการเกิดร่วมกันของ $X$ และ $Y$ กับกรณีที่ทั้งสองเกิดขึ้นอย่างอิสระต่อกัน

  • $\text{Lift} = 1$ → $X$ และ $Y$ เป็นอิสระต่อกัน หรือไม่มีความสัมพันธ์กันอย่างชัดเจน
  • $\text{Lift} > 1$ → $X$ และ $Y$ เกิดร่วมกันมากกว่าที่คาดจากความบังเอิญ แสดงถึงความสัมพันธ์เชิงบวก
  • $\text{Lift} < 1$ → $X$ และ $Y$ เกิดร่วมกันน้อยกว่าที่คาด

อัลกอริทึม: Apriori กับหลักการ Anti-monotonicity#

หากมีจำนวนไอเทมมาก การค้นหา Itemset ที่เป็นไปได้ทั้งหมดจะใช้เวลาและทรัพยากรสูงมาก อัลกอริทึม Apriori จึงช่วยลดพื้นที่การค้นหาด้วยหลักการสำคัญที่เรียกว่า Anti-monotonicity

Apriori Principle (Anti-monotonicity): หาก Itemset ใด ไม่เป็น Frequent Itemset หรือมี Support ต่ำกว่าค่าที่กำหนด Superset ทุกชุดของ Itemset นั้นก็จะไม่เป็น Frequent Itemset เช่นกัน

หลักการนี้ทำให้ไม่จำเป็นต้องสร้างและนับ Itemset ขนาดใหญ่ที่มีส่วนย่อยไม่ผ่านเกณฑ์ Support จึงช่วยลดจำนวน Candidate และทำให้การค้นหามีประสิทธิภาพมากขึ้น

ขั้นตอนการทำงานของ Apriori

1. สแกนข้อมูลเพื่อค้นหา 1-itemsets ที่เป็น Frequent Itemset โดยมี Support มากกว่าหรือเท่ากับ min_support
2. นำ Frequent Itemset มาต่อกัน (Join) เพื่อสร้าง Candidate k-itemsets จากนั้นนับ Support และกรองด้วยค่า min_support ในขั้นตอนนี้จะใช้หลัก Apriori เพื่อตัด Candidate ที่มีส่วนย่อยไม่เป็น Frequent Itemset ออกก่อน
3. ทำซ้ำจนไม่พบ Frequent Itemset ใหม่
4. สร้างกฎ $X \to Y$ จาก Frequent Itemset ที่มีค่า Confidence มากกว่าหรือเท่ากับเกณฑ์ที่กำหนด

ข้อมูล: diagnoses.csv#

ชุดข้อมูลตัวอย่างประกอบด้วยการวินิจฉัยของผู้ป่วย 5 ราย โดยจัดเก็บในรูปแบบยาว patient_id,diagnosis ผู้ป่วยหนึ่งรายจึงสามารถมีข้อมูลได้หลายแถวตามจำนวนโรคที่ได้รับการวินิจฉัย

patient_id,diagnosis
1,hypertension
1,diabetes
2,hypertension
2,obesity
2,cholesterol
2,heart_disease
3,diabetes
3,obesity
3,cholesterol
3,asthma
4,hypertension
4,diabetes
4,obesity
4,cholesterol
5,hypertension
5,diabetes
5,obesity
5,asthma

โค้ด#

# เซลล์ที่ 4: Association — อัปโหลด/โหลด diagnoses.csv แล้ววิเคราะห์
files.upload()  # เลือก diagnoses.csv
diag = pd.read_csv("diagnoses.csv")
diagnosis_sets = diag.groupby("patient_id")["diagnosis"].apply(list).tolist()

# 1) แปลงชุดการวินิจฉัยเป็นตาราง one-hot: แถว = ผู้ป่วย, คอลัมน์ = โรค (True/False)
te = TransactionEncoder()
basket = pd.DataFrame(
    te.fit(diagnosis_sets).transform(diagnosis_sets),
    columns=te.columns_,
)

# 2) หา frequent itemsets (support >= 0.6 = อย่างน้อย 3 จาก 5 ผู้ป่วย)
frequent = apriori(basket, min_support=0.6, use_colnames=True)
print("Frequent itemsets:")
print(frequent)

# 3) สร้างกฎความสัมพันธ์ ที่ confidence >= 0.6
rules = association_rules(
    frequent, metric="confidence", min_threshold=0.6, num_itemsets=len(frequent)
)
print("\nAssociation rules:")
print(rules[["antecedents", "consequents", "support", "confidence", "lift"]])

ผลลัพธ์จะแสดง Frequent Itemsets และกฎความสัมพันธ์หลายรายการ ดังนี้

Frequent itemsets:
   support                  itemsets
0      0.6             (cholesterol)
1      0.8                (diabetes)
2      0.8            (hypertension)
3      0.8                 (obesity)
4      0.6    (cholesterol, obesity)
5      0.6  (diabetes, hypertension)
6      0.6       (diabetes, obesity)
7      0.6   (obesity, hypertension)

Association rules:
      antecedents     consequents  support  confidence    lift
0   (cholesterol)       (obesity)      0.6        1.00  1.2500
1       (obesity)   (cholesterol)      0.6        0.75  1.2500
2      (diabetes)  (hypertension)      0.6        0.75  0.9375
3  (hypertension)      (diabetes)      0.6        0.75  0.9375
4      (diabetes)       (obesity)      0.6        0.75  0.9375
5       (obesity)      (diabetes)      0.6        0.75  0.9375
6       (obesity)  (hypertension)      0.6        0.75  0.9375
7  (hypertension)       (obesity)      0.6        0.75  0.9375

ตัวอย่างการอ่านกฎ (cholesterol) → (obesity)

• support = 0.6 หมายความว่า ผู้ป่วยร้อยละ 60 ของข้อมูลทั้งหมดมีทั้งคอเลสเตอรอลสูงและโรคอ้วน
• confidence = 1.0 หมายความว่า ผู้ป่วยทุกคนที่มีคอเลสเตอรอลสูงในชุดข้อมูลนี้มีโรคอ้วนร่วมด้วย
• lift = 1.25 ซึ่งมากกว่า 1 แสดงว่าโรคทั้งสองพบร่วมกันมากกว่าที่คาดจากการเกิดแบบอิสระ จึงถือเป็นความสัมพันธ์เชิงบวก

อย่างไรก็ตาม ความสัมพันธ์ที่พบไม่ได้หมายความว่าโรคหนึ่งเป็นสาเหตุของอีกโรคหนึ่ง และผลลัพธ์จากข้อมูลตัวอย่างขนาดเล็กควรใช้เพื่ออธิบายหลักการเท่านั้น

การประยุกต์ใช้งาน: โรงพยาบาลสามารถใช้กฎความสัมพันธ์เพื่อค้นหาโรคร่วม วางแผนการคัดกรอง หรือสร้างระบบแจ้งเตือนให้แพทย์พิจารณาตรวจหาโรคอื่นที่มักพบร่วมกับโรคที่ผู้ป่วยได้รับการวินิจฉัยแล้ว

กิจกรรม#

ทดลองเปลี่ยนค่า min_support=0.6 เป็น 0.4 และ 0.8 จากนั้นเปรียบเทียบจำนวน Frequent Itemsets และกฎความสัมพันธ์ที่ได้

• เมื่อกำหนด min_support ต่ำลง จะพบ Frequent Itemsets และกฎมากขึ้น แต่บางกฎอาจเกิดจากข้อมูลเพียงไม่กี่รายการและไม่น่าเชื่อถือ
• เมื่อกำหนด min_support สูงขึ้น จะได้กฎน้อยลง แต่เป็นกฎที่พบซ้ำในข้อมูลบ่อยกว่า

สังเกตว่าการเลือกค่า min_support เป็นการสร้างสมดุลระหว่างจำนวนกฎที่ค้นพบกับความน่าเชื่อถือของกฎเหล่านั้น

6. Clustering (การจัดกลุ่ม)#

ทฤษฎี#

Clustering เป็นเทคนิคที่ใช้รวมข้อมูลที่มีลักษณะ “คล้ายกัน” ให้อยู่ในกลุ่มเดียวกัน โดยไม่มี Label กำกับไว้ล่วงหน้าว่าข้อมูลแต่ละจุดควรอยู่ในกลุ่มใด จึงจัดเป็นงานประเภท Unsupervised Learning

ความแตกต่างจาก Classification คือ Classification เรียนรู้จากข้อมูลที่มีคำตอบอยู่แล้ว แล้วนำโมเดลไปใช้ทำนายข้อมูลใหม่ ส่วน Clustering ไม่มีคำตอบให้เรียนรู้ อัลกอริทึมจึงต้อง ค้นพบโครงสร้างของกลุ่มจากข้อมูลด้วยตนเอง

ในทางการแพทย์ Clustering สามารถใช้แบ่งผู้ป่วยออกเป็นกลุ่มตามลักษณะที่คล้ายกัน เช่น แบ่งกลุ่มตามระดับความเสี่ยงจากผลตรวจทางห้องปฏิบัติการ

ความคล้ายกันของข้อมูลมักวัดด้วย ระยะทาง โดยข้อมูลที่อยู่ใกล้กันจะถือว่ามีลักษณะคล้ายกันมากกว่า วิธีที่ใช้บ่อยคือ ระยะทาง Euclidean ระหว่างจุด $x$ และ $y$ ในปริภูมิ $n$ มิติ

$d(x, y) = \sqrt{\sum_{i=1}^{n}(x_i - y_i)^2}$

ค่าระยะทางที่น้อยหมายถึงข้อมูลสองจุดมีลักษณะใกล้เคียงกัน ส่วนค่าระยะทางที่มากแสดงว่าข้อมูลแตกต่างกันมากขึ้น

อัลกอริทึม: K-Means#

K-Means เป็นอัลกอริทึมที่แบ่งข้อมูลออกเป็น $K$ กลุ่ม โดยค้นหา จุดศูนย์กลางของกลุ่ม (Centroid) จำนวน $K$ จุด ได้แก่ $\mu_1, \ldots, \mu_K$

เป้าหมายคือทำให้ผลรวมของระยะทางยกกำลังสองระหว่างข้อมูลแต่ละจุดกับ Centroid ของกลุ่มที่ข้อมูลนั้นสังกัดมีค่าน้อยที่สุด ค่านี้เรียกว่า WCSS (Within-Cluster Sum of Squares) หรือ inertia

$\text{WCSS} = \sum_{k=1}^{K}\sum_{x \in C_k} |x - \mu_k|^2$

โดยที่ $C_k$ คือกลุ่มที่ $k$ และ $\mu_k$ คือ Centroid ของกลุ่มนั้น

ขั้นตอนการทำงานของ K-Means จะทำซ้ำจนกว่าการจัดกลุ่มจะคงที่

1. กำหนดจำนวนกลุ่ม $K$ แล้วเลือก Centroid เริ่มต้น $\mu_1, \ldots, \mu_K$ จำนวน $K$ จุด
2. Assignment — จัดข้อมูลแต่ละจุดให้อยู่ในกลุ่มของ Centroid ที่อยู่ใกล้ที่สุด
3. Update — คำนวณตำแหน่ง Centroid ใหม่จากค่าเฉลี่ยของข้อมูลทุกจุดในแต่ละกลุ่ม
4. ทำขั้นตอนที่ 2–3 ซ้ำจนกว่าการจัดกลุ่มหรือตำแหน่ง Centroid จะไม่เปลี่ยนแปลงอย่างมีนัยสำคัญ ซึ่งเรียกว่า Convergence

ข้อจำกัด: K-Means อาจหยุดที่ค่า Local Minimum ของ WCSS จึงไม่รับประกันว่าจะได้คำตอบที่ดีที่สุดในระดับ Global Minimum เสมอไป นอกจากนี้ K-Means เหมาะกับกลุ่มที่มีลักษณะค่อนข้างกลม (Spherical) และมีขนาดใกล้เคียงกัน หากข้อมูลมีรูปทรงซับซ้อนหรือมี Noise มาก อาจพิจารณาใช้ DBSCAN หรือ Hierarchical Clustering แทน หากตัวแปรมีช่วงค่าหรือหน่วยแตกต่างกันมาก เช่น อายุเทียบกับค่าตรวจทางห้องปฏิบัติการ ควรทำ Standardization ก่อนนำข้อมูลไปจัดกลุ่ม

เลือก $K$ อย่างไร: Elbow Method#

ในตัวอย่างนี้เรากำหนด $K = 3$ เพราะข้อมูลถูกออกแบบให้เห็นกลุ่มอย่างชัดเจน แต่ในข้อมูลจริง เรามักไม่ทราบล่วงหน้าว่าควรแบ่งข้อมูลออกเป็นกี่กลุ่ม

วิธีหนึ่งที่นิยมใช้คือ Elbow Method โดยทดลองกำหนดค่า $K$ หลายค่า แล้วเปรียบเทียบค่า WCSS ของแต่ละค่า

เมื่อ $K$ เพิ่มขึ้น ค่า WCSS จะลดลงเสมอ เพราะข้อมูลถูกแบ่งออกเป็นกลุ่มย่อยมากขึ้น อย่างไรก็ตาม เราจะเลือกค่า $K$ บริเวณที่กราฟเริ่มเปลี่ยนจากการลดลงอย่างรวดเร็วเป็นลดลงช้าลง จุดดังกล่าวมีลักษณะคล้าย “ข้อศอก” จึงเรียกว่า Elbow Point

ข้อมูล: patients.csv#

ชุดข้อมูลตัวอย่างประกอบด้วยผู้ป่วย 15 ราย โดยใช้ตัวแปร 2 ค่าในการจัดกลุ่ม ได้แก่

• blood_glucose — ระดับน้ำตาลในเลือด
• cholesterol — ระดับคอเลสเตอรอล

blood_glucose,cholesterol
95,160
92,158
98,165
94,162
97,155
140,210
138,205
142,215
136,208
144,212
200,258
205,262
198,255
202,260
196,265

โค้ด#

# เซลล์ที่ 5: Clustering — อัปโหลด/โหลด patients.csv แล้ววิเคราะห์
files.upload()  # เลือก patients.csv
df_patients = pd.read_csv("patients.csv")

# 1) ทำ K-Means โดยกำหนด K = 3 กลุ่ม
km = KMeans(n_clusters=3, n_init=10, random_state=0)
df_patients["cluster"] = km.fit_predict(df_patients[["blood_glucose", "cholesterol"]])

print("จำนวนสมาชิกแต่ละกลุ่ม:")
print(df_patients["cluster"].value_counts().sort_index())

# 2) แสดงผลแบบกราฟกระจายจุด
for c in sorted(df_patients["cluster"].unique()):
    sub = df_patients[df_patients["cluster"] == c]
    plt.scatter(sub["blood_glucose"], sub["cholesterol"], label=f"Cluster {c}", s=70)

plt.scatter(
    km.cluster_centers_[:, 0], km.cluster_centers_[:, 1],
    marker="X", c="black", s=150, label="Centroids",
)
plt.xlabel("Blood glucose (mg/dL)")
plt.ylabel("Cholesterol (mg/dL)")
plt.legend()
plt.show()

กราฟจะแสดงข้อมูลผู้ป่วยเป็นจุดกระจายที่แบ่งออกเป็น 3 สีตาม Cluster ที่โมเดลกำหนด ส่วนเครื่องหมาย X สีดำแสดงตำแหน่ง Centroid ของแต่ละกลุ่ม

จากข้อมูลตัวอย่าง จะเห็นกลุ่มที่แยกออกจากกันอย่างชัดเจน 3 กลุ่ม ได้แก่

• ค่า Lab ต่ำ — อาจตีความเป็นกลุ่มที่มีความเสี่ยงต่ำ
• ค่า Lab ปานกลาง — อาจตีความเป็นกลุ่มที่มีความเสี่ยงปานกลาง
• ค่า Lab สูง — อาจตีความเป็นกลุ่มที่มีความเสี่ยงสูง

อย่างไรก็ตาม หมายเลข Cluster ที่ได้จาก K-Means เช่น 0, 1 และ 2 ไม่มีความหมายด้านลำดับโดยตรง Cluster 0 ไม่ได้หมายความว่ามีความเสี่ยงต่ำกว่า Cluster 1 เสมอไป ผู้วิเคราะห์ต้องพิจารณาค่า Centroid และลักษณะของสมาชิกในแต่ละกลุ่มก่อนตั้งชื่อหรือแปลความหมายให้กับกลุ่ม

การประยุกต์ใช้งาน: ผลลัพธ์ของ Clustering สามารถใช้ทำ การแบ่งกลุ่มผู้ป่วย (Patient Segmentation) เพื่อช่วยออกแบบแนวทางการดูแลที่แตกต่างกัน เช่น ผู้ป่วยกลุ่มเสี่ยงสูงอาจต้องได้รับการติดตามบ่อยขึ้นหรือได้รับการตรวจเพิ่มเติม

โบนัส — หา $K$ ที่เหมาะสมด้วย Elbow Method:

# เซลล์ที่ 6: Elbow Method
inertias = []
k_values = range(1, 8)
for k in k_values:
    km_k = KMeans(n_clusters=k, n_init=10, random_state=0).fit(
        df_patients[["blood_glucose", "cholesterol"]]
    )
    inertias.append(km_k.inertia_)

plt.plot(k_values, inertias, marker="o")
plt.xlabel("K (number of clusters)")
plt.ylabel("Inertia (WCSS)")
plt.title("Elbow Method")
plt.show()

กราฟจะแสดงความสัมพันธ์ระหว่างค่า $K$ กับค่า Inertia โดยจุด “ศอก” ซึ่งเป็นตำแหน่งที่ค่า Inertia เริ่มลดลงช้าลง มักใช้เป็นแนวทางในการเลือกจำนวนกลุ่มที่เหมาะสม

สำหรับข้อมูลตัวอย่างนี้ จุดศอกจะอยู่บริเวณ $K = 3$ ซึ่งสอดคล้องกับโครงสร้างของข้อมูลที่มี 3 กลุ่มอย่างชัดเจน

กิจกรรม#

• เปลี่ยนจำนวนกลุ่ม — ทดลองกำหนด n_clusters=2 และ n_clusters=4 แล้วสังเกตว่าการแบ่งกลุ่มเปลี่ยนแปลงไปอย่างไร จากนั้นเปรียบเทียบกับกราฟ Elbow Method ว่าค่า $K$ ใดเหมาะสมที่สุด
• จัดกลุ่มด้วยมือเทียบกับ K-Means — ลองพิจารณาข้อมูลในไฟล์ patients.csv และแบ่งกลุ่มผู้ป่วยด้วยสายตาก่อน จากนั้นเปรียบเทียบกับผลลัพธ์ของ K-Means หากผลลัพธ์ใกล้เคียงกัน แสดงว่ากลุ่มในข้อมูลชุดนี้มีโครงสร้างที่ชัดเจน

7. เปรียบเทียบเทคนิค#

กฎง่าย ๆ ในการเลือกเทคนิค

• ต้องการทำนาย “ตัวเลข” เช่น น้ำหนัก ราคา หรือระยะเวลา → ใช้ Linear Regression
• ต้องการทำนาย “หมวดหมู่” หรือคำตอบแบบใช่–ไม่ใช่ → ใช้ Classification
• ต้องการค้นหาว่าสิ่งของหรือเหตุการณ์ใดมักเกิดร่วมกัน → ใช้ Association
• ต้องการแบ่งข้อมูลออกเป็นกลุ่มตามความคล้ายคลึง โดยไม่มี label กำกับไว้ล่วงหน้า → ใช้ Clustering

8. สรุป#

บทความนี้แนะนำแนวคิดพื้นฐานของ Data Mining โดยเริ่มจากความแตกต่างระหว่าง Supervised Learning และ Unsupervised Learning ก่อนอธิบายเทคนิคหลัก 4 เทคนิค พร้อมทั้งทฤษฎี สูตรคำนวณ ข้อมูลตัวอย่างจากโรงพยาบาล และโค้ด Python

• Linear Regression เป็นเทคนิคในกลุ่ม Supervised Learning ประเภท Regression ใช้ทำนายค่าตัวเลขด้วยสมการเส้นตรง $\hat{y}=wx+b$ โดยหาค่า $w$ และ $b$ ที่ทำให้ค่าคลาดเคลื่อนตามหลัก Ordinary Least Squares (OLS) ต่ำที่สุด และประเมินความเหมาะสมของโมเดลด้วยค่า $R^2$ ตัวอย่างในบทความคือการทำนายน้ำหนักแรกเกิดของทารกจากความดันโลหิตของมารดา โดยค่า Slope ที่ติดลบแสดงว่า เมื่อความดันโลหิตของมารดาสูงขึ้น น้ำหนักทารกมีแนวโน้มลดลง

• Classification เป็นเทคนิคในกลุ่ม Supervised Learning ที่ใช้ทำนายข้อมูลซึ่งเป็นหมวดหมู่ โดยเรียนรู้ความสัมพันธ์ $f: X \to y$ จากข้อมูลตัวอย่างที่มี Label กำกับไว้ ตัวอย่างในบทความคือการทำนายว่าผู้ป่วยจะกลับมารักษาซ้ำหรือไม่ด้วย Decision Tree ซึ่งเลือกแอตทริบิวต์ที่ให้ค่า Information Gain สูงที่สุด หรือช่วยลดค่า Entropy ได้มากที่สุด

• Association Analysis เป็นเทคนิคในกลุ่ม Unsupervised Learning ที่ใช้ค้นหาสิ่งที่มักปรากฏร่วมกัน โดยพิจารณาจากตัวชี้วัด Support, Confidence และ Lift อัลกอริทึม Apriori ใช้หลัก Anti-monotonicity เพื่อตัด Itemset ที่ไม่มีโอกาสเป็น Frequent Itemset ออกจากการค้นหา ตัวอย่างในบทความคือการค้นหาโรคร่วม (Comorbidity) ที่มักพบพร้อมกันในผู้ป่วยคนเดียวกัน

• Clustering เป็นเทคนิคในกลุ่ม Unsupervised Learning ที่ใช้จัดข้อมูลที่มีลักษณะคล้ายกันให้อยู่ในกลุ่มเดียวกัน K-Means จะค้นหา Centroid ที่ทำให้ค่า WCSS ภายในกลุ่มต่ำที่สุด และสามารถใช้ Elbow Method เป็นแนวทางในการเลือกจำนวนกลุ่มที่เหมาะสม ตัวอย่างในบทความคือการแบ่งผู้ป่วยออกเป็นกลุ่มความเสี่ยงตามระดับน้ำตาลในเลือดและคอเลสเตอรอล

ข้อมูลตัวอย่างทั้งหมดถูก แยกเป็นไฟล์ CSV ออกจากโค้ดวิเคราะห์ ผู้เรียนสามารถคัดลอกข้อมูลแต่ละชุดเป็นไฟล์ อัปโหลดเข้าสู่ Google Colab และอ่านข้อมูลด้วย pd.read_csv

เมื่อแก้ไขข้อมูลในไฟล์ CSV แล้วรันโค้ดใหม่ ผลลัพธ์ของโมเดลและการวิเคราะห์จะเปลี่ยนแปลงตามข้อมูลโดยอัตโนมัติ ทำให้สามารถทดลองและสังเกตผลของข้อมูลที่แตกต่างกันได้อย่างสะดวก

ทุกตัวอย่างสามารถรันบน Google Colab ได้โดยไม่ต้องติดตั้ง Python หรือไลบรารีเพิ่มเติมในเครื่อง เพียงคัดลอกโค้ดลงในแต่ละเซลล์ อัปโหลดไฟล์ CSV แล้วกดรัน

หัวใจสำคัญของ Data Mining คือการเลือกเทคนิคให้สอดคล้องกับคำถามที่ต้องการตอบ

• หากมี Label เป็นตัวเลข → ใช้ Linear Regression
• หากมี Label เป็นหมวดหมู่ → ใช้ Classification
• หากต้องการค้นหาความสัมพันธ์ระหว่างเหตุการณ์ → ใช้ Association
• หากต้องการค้นหาและแบ่งกลุ่มข้อมูลตามความคล้ายคลึง → ใช้ Clustering