The latest articles on DEV Community by 3-061-วริศรา สุวรรณวงค์ (@3061__2). https://dev.to/3061__2 https://media2.dev.to/dynamic/image/width=90,height=90,fit=cover,gravity=auto,format=auto/https:%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Fuser%2Fprofile_image%2F3029407%2Fee902ce8-a361-4058-b171-7a16a442fafa.png https://dev.to/3061__2 en 3-061-วริศรา สุวรรณวงค์ Tue, 08 Apr 2025 10:45:06 +0000 https://dev.to/3061__2/khwaamaetktaangrahwaang-decision-tree-aela-random-forrest-phrmkhdiiaelakhesiiy-32cl https://dev.to/3061__2/khwaamaetktaangrahwaang-decision-tree-aela-random-forrest-phrmkhdiiaelakhesiiy-32cl <h2> <em><strong>เริ่มแรก Decision Tree และ Random Forest นั้นคือะไร?</strong></em> </h2> <p><strong>Decision Tree</strong> คือ Machine Learning แบบ Supervised Learning ที่ใช้สำหรับ Classification และ Regression โดยใช้โครงสร้างแบบต้นไม้ โดยใช้ Information Gain และ Entropy ในการแยกข้อมูล ซึ่งมีโครงสร้างแบบราก-กิ่ง-ใบ</p> <p><strong>หลักการทำงาน</strong> </p> <ul> <li>แต่ละ "node" ในต้นไม้จะใช้คุณลักษณะ (feature) หนึ่งในการแบ่งข้อมูล</li> <li>ใช้หลักการ Entropy และ Information Gain ในการเลือกว่าจะใช้ feature ไหนในการ แบ่งข้อมูลเพื่อให้ได้กลุ่มที่บริสุทธิ์ที่สุด (pure group)</li> <li>Terminal node (leaf) แสดงผลลัพธ์ที่คาดการณ์ได้ *<em>ตัวอย่าง *</em> ถ้ามีข้อมูลผู้โดยสารและต้องการทำนายว่าเขาจะรอดหรือไม่จาก เรือเซวอล ระบบจะเลือก feature ที่ดีที่สุด เช่น sex, age, class ในการแยกกลุ่ม</li> </ul> <p><strong>Random Forest</strong> คือ Ensemble Learning ที่รวม หลายๆ Decision Tree เข้าด้วยกัน เพื่อเพิ่มความแม่นยำและลด overfitting ใช้วิธี bootstrap และ random selection ของ feature โดยตัดสินใจโดยการ vote หรือ average จากหลายต้นไม้</p> <p><strong>หลักการทำงาน</strong></p> <ul> <li>สร้างหลายต้นไม้โดยใช้การ Bootstrap Sampling </li> <li>ที่แต่ละ node จะ เลือก feature มาแบบสุ่ม เพื่อหาการแบ่งที่ดีที่สุด</li> <li>ใช้วิธี Voting สำหรับ classification และ Averaging สำหรับ regression</li> </ul> <h2> <strong><em>แล้วความแตกต่างระหว่าง Decision Tree กับ Random Forest เป็นอย่างไร?</em></strong> </h2> <p><em><strong>1.วิธีการสร้าง</strong></em><br> <strong>Decision Tree</strong> - สร้างต้นไม้เดียวแบบลำดับชั้น<br> <strong>Random Forest</strong> - สร้างหลายต้นไม้ด้วยการสุ่มข้อมูลและ feature</p> <p><em><strong>2.ความแม่นยำ</strong></em><br> <strong>Decision Tree</strong> - ความแม่นยำน้อยกว่า มีโอกาส overfitting<br> <strong>Random Forest</strong> - มีความแม่นยำกว่า มีความเสถียรกว่า</p> <p><em><strong>3.ความซับซ้อน</strong></em><br> <strong>Decision Tree</strong> - เข้าใจง่ายกว่า<br> <strong>Random Forest</strong> - ซับซ้อนกว่า (เพราะ Decision Tree นั้นมีเพียงต้นไม้เดียว แต่ Random Forest จะสร้างหลายๆ ต้นไม้ (อาจจะ 100, 500, หรือ 1000 ต้นก็ได้) นั่นจึงทำให้กระบวนการภายใน ซับซ้อนขึ้นกว่าแค่ต้นไม้เดียว)</p> <p><strong><em>4.เวลาในการ train model</em></strong> <br> <strong>Decision Tree</strong> - เร็วกว่า<br> <strong>Random Forest</strong> - ช้ากว่า เนื่องจากมีหลายต้นไม้</p> <h2> <strong><em>การทำงานของ code ของ Decision Tree และ Random Forest นั้นเป็นอย่างไร รันแล้วจะมีผลลัพธ์อย่างไร</em></strong> </h2> <p><strong>1.การใช้ Decision Tree **<br> <a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fdb81yfgo2n8hcgo3ncxw.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fdb81yfgo2n8hcgo3ncxw.png" alt="Image description" width="603" height="247"></a><br> **อธิบายโค้ด</strong></p> <ul> <li>DecisionTreeClassifier คือ ตัวที่เอาไว้สร้างโมเดลต้นไม้</li> <li>max_depth=5 คือ จำกัดความลึกของต้นไม้ที่ระดับ 5 (เพื่อป้องกัน overfitting)</li> <li>criterion='entropy' คือ การใช้ Entropy (Information Gain) ในการเลือก </li> <li>feature ที่ใช้แบ่งข้อมูล</li> <li>fit(X_train, y_train) คือ การฝึกโมเดลด้วยข้อมูลเทรน</li> </ul> <p><strong>2.การใช้ Random Forest</strong></p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F2a3xx2iaeisyf6nt2t25.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F2a3xx2iaeisyf6nt2t25.png" alt="Image description" width="701" height="263"></a><br> <strong>อธิบายโค้ด</strong></p> <ul> <li>RandomForestClassifier คือ ตัวที่สร้างโมเดล Random Forest</li> <li>n_estimators=100 คือ สร้าง 100 ต้นไม้ นั่นจะทำให้โมเดล เรียนรู้จากหลายมุมมอง</li> <li>max_depth=10 คือ จำกัดความลึกของแต่ละต้นไม้ไว้ที่ 10</li> <li>criterion='gini'คือ ใช้ Gini Impurity แทน Entropy ในการแยกข้อมูล</li> <li>fit(X_train, y_train)คือ ฝึกโมเดลด้วยข้อมูลเทรนเช่นกัน</li> </ul> <p>ตัวอย่างโค้ด <a href="https://colab.research.google.com/drive/1SePz7Es0w9FRJDbsE3xM0CCnH7NkpdPZ?usp=sharing" rel="noopener noreferrer">https://colab.research.google.com/drive/1SePz7Es0w9FRJDbsE3xM0CCnH7NkpdPZ?usp=sharing</a></p> <h2> <strong><em>ตัวอย่างการรันใช้งาน</em></strong> </h2> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Ftidfixhiz1h92pe8y7h3.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Ftidfixhiz1h92pe8y7h3.png" alt="Image description" width="748" height="440"></a></p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fdd50ltl8fjqmlmfr57tg.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fdd50ltl8fjqmlmfr57tg.png" alt="Image description" width="800" height="237"></a></p> <p>จากตัวอย่างโค้ดจะใช้ตัวอย่างในการเทนโมเดลทั้งคู่ให้ทำนายหรือเดาว่าผลลัพะ์ที่ได้นั้นจะตรงกับข้อมูลจริงหรือไม่ โดยเราได้กำหนด <strong>ชั่วโมงที่เรียน (study_hour)</strong>, <strong>เช็คชื่อเข้าเรียน(attend_class)</strong>, <strong>ควิซตอบคำถามท้ายชั่วโมงเรียน (classroomgame_quiz)</strong> ในการแยกกลุ่ม และเช็คว่าผ่านหรือไม่ผ่านโดยการใช้ข้อมูล<strong>(pass_exam)</strong> จากนั้นมีการใช้โมเดลของ <strong>Decision Tree</strong> และ <strong>Random Forest</strong>ในการเดาหรือทำนายนั่นเอง</p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Foknzqqqwo1y5dxmk8bpo.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Foknzqqqwo1y5dxmk8bpo.png" alt="Image description" width="562" height="178"></a></p> <p>จากผลลัพธ์ที่ออกมาแสดงให้เห็นว่าการใช้ <strong>Decision Tree</strong> นั้นทายถูกจาก<strong>2</strong>ใน<strong>3</strong> มีความแม่นยำน้อยกว่า เนื่องจากอาจมีการเกิด <strong>overfitting</strong> ในขณะที่ <strong>Random Forest</strong> นั้นทายถูกหมด เนื่องจากมีความแม่นยำและความเสถียรที่สูงกว่า</p> <p>ตัวอย่างโค้ด <a href="https://colab.research.google.com/drive/1FvHGyjtBI0NshNQs8K14_QoFq3MzyoyQ?usp=sharing" rel="noopener noreferrer">https://colab.research.google.com/drive/1FvHGyjtBI0NshNQs8K14_QoFq3MzyoyQ?usp=sharing</a></p> <h2> <strong><em>สรุป</em></strong> </h2> <p>ถ้าต้องการโมเดลที่เข้าใจง่าย ควรใช้ <strong>Decision Tree</strong> เพราะโครงสร้างที่อ่านแล้วจะสามารถเข้าใจได้ง่าย แต่ต้องระวังเรื่อง <strong>overfitting</strong> เพราะตัวโมเดลจะเรียนรู้จากข้อมูลเยอะเกินไปได้ง่าย ส่วน <strong>Random Forest</strong> จะซับซ้อนกว่า เพราะใช้ Decision Tree หลายต้นรวมกัน ทำให้แม่นยำกว่าและทนกับข้อมูลแปลกๆ ได้ดี แต่ก็อาจจะใช้เวลาฝึกที่นานกว่าและอธิบายผลลัพธ์ยากขึ้น เลือกใช้ให้เหมาะกับงาน ถ้าเน้นความเข้าใจ ใช้ Decision Tree ถ้าเน้นความแม่น ใช้ Random Forest </p> ai machinelearning python