[{"_1":2,"_3":-5,"_4":-5},"loaderData",{"_5":6,"_7":8},"actionData","errors","root",{"_26":27,"_28":29,"_30":12,"_31":12,"_32":12,"_33":12,"_34":12,"_35":12,"_36":37},"routes/canvas.shared.$sharedTextdocId",{"_9":10,"_11":12},"sharedTextdoc",{"_13":14,"_15":-7,"_16":17,"_18":19,"_20":21,"_22":23,"_24":12,"_25":12},"isAuthenticated",false,"sharedTextdocId","67a79cb6b35881918195dc330ee736b7","versionInt","title","Ml Assignment Tidymodels","type","document","content","**การบ้าน: การจำแนกผลสัมฤทธิ์ของนักเรียนโดยใช้การเรียนรู้ของเครื่อง**\n\n**รายวิชา:** การเรียนรู้ของเครื่อง \n**วัตถุประสงค์:** พัฒนาโมเดลทำนายผลสัมฤทธิ์ของนักเรียนโดยใช้ชุดข้อมูล **student-mat.csv** และเฟรมเวิร์ก **tidymodels** ใน R\n\n---\n\n### **คำแนะนำ**\n\n### **1. การสร้างคุณลักษณะ (Feature Engineering)**\n\nนิสิตต้องทำการเตรียมข้อมูลโดยใช้ 3 วิธีดังต่อไปนี้:\n\n1.1 **การประมวลผลพื้นฐาน (Basic Preprocessing)**\n- ปรับค่าตัวแปรเชิงปริมาณให้อยู่ในรูปแบบมาตรฐาน (Standardize)\n- แปลงตัวแปรประเภทให้เป็นตัวแปรดัมมี่ (Dummy Variables) ตามความเหมาะสม\n\n1.2 **การเพิ่มปฏิสัมพันธ์ของตัวแปร (Enhanced Preprocessing with Interaction Terms)**\n- ใช้วิธีการประมวลผลพื้นฐานเช่นเดียวกับข้อ 1.1\n- เพิ่มตัวแปรปฏิสัมพันธ์เพื่อจับความสัมพันธ์แบบไม่เป็นเชิงเส้น (Non-linear Relationships)\n\n1.3 **การแปลงค่าตัวแปรต่อเนื่องที่เบ้หรือแจกแจงไม่ปกติ**\n- เลือกใช้ข้อ 1.1 หรือ 1.2 เป็นฐาน\n- แปลงค่าตัวแปรเชิงปริมาณที่มีการแจกแจงไม่ปกติให้เป็นตัวแปรประเภท\n\nนิสิตต้องให้เหตุผลประกอบการเลือกใช้แต่ละวิธี\n\n---\n\n### **2. การฝึกสอนโมเดล (Model Training)**\n#### ตัวอย่างโค้ด:\n```r\n# โหลดไลบรารี\nlibrary(tidyverse)\nlibrary(tidymodels)\n\n# โหลดข้อมูล\nstudent_data <- read.csv(\"student-mat.csv\")\n\n# ตั้งค่า Recipe\nrecipe_ml <- recipe(G3 ~ ., data = student_data) %>%\n step_dummy(all_nominal_predictors()) %>%\n step_normalize(all_numeric_predictors()) %>%\n step_interact(terms = ~ G1:G2) %>% # สร้างตัวแปรปฏิสัมพันธ์\n step_mutate(G3_cat = case_when(G3 < 10 ~ \"Low\", G3 >= 10 ~ \"High\"))\n\n# สร้างชุดข้อมูล train-test\nset.seed(123)\ndata_split <- initial_split(student_data, prop = 0.8)\ntrain_data <- training(data_split)\ntest_data <- testing(data_split)\n\n# Linear Regression Model\nlin_mod <- linear_reg() %>%\n set_engine(\"lm\")\n\n# Lasso Regression Model\nlasso_mod <- linear_reg(penalty = 0.1, mixture = 1) %>%\n set_engine(\"glmnet\")\n\n# Ridge Regression Model\nridge_mod <- linear_reg(penalty = 0.1, mixture = 0) %>%\n set_engine(\"glmnet\")r\nlibrary(tidyverse)\nlibrary(tidymodels)\n\n# โหลดข้อมูล\nstudent_data <- read.csv(\"student-mat.csv\")\n\n# 1.1 Basic Preprocessing\nrecipe_ml <- recipe(G3 ~ ., data = student_data) %>%\n step_dummy(all_nominal_predictors()) %>%\n step_normalize(all_numeric_predictors())\n\n# 1.2 Interaction Terms\nrecipe_ml <- recipe_ml %>%\n step_interact(terms = ~ G1:G2) # สร้างตัวแปรปฏิสัมพันธ์\n\n# 1.3 Transform Skewed Variables\nrecipe_ml <- recipe_ml %>%\n step_mutate(G3_cat = case_when(G3 < 10 ~ \"Low\", G3 >= 10 ~ \"High\"))\n```\n\nนิสิตต้องทำการเตรียมข้อมูลโดยใช้ 3 วิธีดังต่อไปนี้:\n\n1.1 **การประมวลผลพื้นฐาน (Basic Preprocessing)**\n- ปรับค่าตัวแปรเชิงปริมาณให้อยู่ในรูปแบบมาตรฐาน (Standardize)\n- แปลงตัวแปรประเภทให้เป็นตัวแปรดัมมี่ (Dummy Variables) ตามความเหมาะสม\n\n1.2 **การเพิ่มปฏิสัมพันธ์ของตัวแปร (Enhanced Preprocessing with Interaction Terms)**\n- ใช้วิธีการประมวลผลพื้นฐานเช่นเดียวกับข้อ 1.1\n- เพิ่มตัวแปรปฏิสัมพันธ์เพื่อจับความสัมพันธ์แบบไม่เป็นเชิงเส้น (Non-linear Relationships)\n\n1.3 **การแปลงค่าตัวแปรต่อเนื่องที่เบ้หรือแจกแจงไม่ปกติ**\n- เลือกใช้ข้อ 1.1 หรือ 1.2 เป็นฐาน\n- แปลงค่าตัวแปรเชิงปริมาณที่มีการแจกแจงไม่ปกติให้เป็นตัวแปรประเภท\n\nนิสิตต้องให้เหตุผลประกอบการเลือกใช้แต่ละวิธี\n\n---\n\n### **2. การฝึกสอนโมเดล (Model Training)**\n#### ตัวอย่างโค้ด:\n```r\n# สร้างชุดข้อมูล train-test\nset.seed(123)\ndata_split <- initial_split(student_data, prop = 0.8)\ntrain_data <- training(data_split)\ntest_data <- testing(data_split)\n\n# ตั้งค่า Recipe\nrecipe_ml <- recipe(G3 ~ ., data = train_data) %>%\n step_dummy(all_nominal_predictors()) %>%\n step_normalize(all_numeric_predictors())\n\n# Linear Regression Model\nlin_mod <- linear_reg() %>%\n set_engine(\"lm\")\n\n# Lasso Regression Model\nlasso_mod <- linear_reg(penalty = 0.1, mixture = 1) %>%\n set_engine(\"glmnet\")\n\n# Ridge Regression Model\nridge_mod <- linear_reg(penalty = 0.1, mixture = 0) %>%\n set_engine(\"glmnet\")\n```\n\nฝึกสอนโมเดลดังต่อไปนี้:\n- **Linear Regression**\n- **Lasso Regression**\n- **Ridge Regression**\n\nใช้เทคนิคการตรวจสอบข้ามค่า (Cross-validation) และการปรับค่าพารามิเตอร์ที่เหมาะสม\n\n---\n\n### **3. การประเมินผลของโมเดล (Model Evaluation)**\n#### ตัวอย่างโค้ด:\n```r\n# ตั้งค่า Workflow\nworkflow_lin <- workflow() %>%\n add_recipe(recipe_ml) %>%\n add_model(lin_mod)\n\nworkflow_lasso <- workflow() %>%\n add_recipe(recipe_ml) %>%\n add_model(lasso_mod)\n\nworkflow_ridge <- workflow() %>%\n add_recipe(recipe_ml) %>%\n add_model(ridge_mod)\n\n# ฝึกสอนและทดสอบโมเดล\nresults <- list(\n linear = fit(workflow_lin, data = train_data),\n lasso = fit(workflow_lasso, data = train_data),\n ridge = fit(workflow_ridge, data = train_data)\n)\n\n# คำนวณตัวชี้วัดประสิทธิภาพ\nmetrics <- function(model) {\n predictions <- predict(model, test_data) %>%\n bind_cols(test_data) %>%\n metrics(truth = G3, estimate = .pred)\n return(predictions)\n}\n\nmap(results, metrics)\n```\nประเมินประสิทธิภาพของโมเดลโดยใช้ตัวชี้วัดดังต่อไปนี้:\n- **Accuracy (ความถูกต้อง)**\n- **Sensitivity (ความไว)**\n- **Specificity (ความจำเพาะ)**\n- **F-measure**\n- **AUC (พื้นที่ใต้กราฟโค้ง ROC)**\n\nอธิบายเหตุผลที่เลือกใช้ตัวชี้วัดเหล่านี้และแปลความหมายของผลลัพธ์\n\n---\n\n### **4. การเปรียบเทียบผลลัพธ์ (Comparative Analysis)**\nเปรียบเทียบผลลัพธ์ของ:\n- วิธีการจัดการข้อมูลที่แตกต่างกัน\n- โมเดลที่แตกต่างกัน\n\n**แนวทางการเปรียบเทียบ:**\n- กำหนดเกณฑ์การประเมินให้ชัดเจน\n- ใช้การแสดงผลแบบภาพ (เช่น กล่องแสดงการกระจาย, กราฟแท่ง, ตาราง) เพื่ออธิบายผลลัพธ์\n- วิเคราะห์ข้อดี-ข้อเสียของแต่ละวิธีที่นำมาใช้\n- ระบุกรณีที่การเตรียมข้อมูลช่วยเพิ่มหรือลดประสิทธิภาพของโมเดล\n\n---\n\n### **5. สรุปและแปลความหมายของผลลัพธ์ (Summary and Interpretation)**\nจัดทำสรุปที่มีโครงสร้างเกี่ยวกับ:\n- ข้อค้นพบหลักจากการเปรียบเทียบโมเดล\n- จุดแข็งและข้อจำกัดของแต่ละวิธี\n- ข้อแนะนำเกี่ยวกับกลยุทธ์ที่ดีที่สุดสำหรับการทำนายผลสัมฤทธิ์ของนักเรียน\n\nนิสิตต้องบันทึกกระบวนการคิดที่สำคัญตามแนวทาง **nested assessment** ซึ่งรวมถึง:\n- เหตุผลของแต่ละขั้นตอน\n- วิธีการตัดสินใจเลือกใช้แต่ละแนวทาง\n- ปัญหาที่พบและวิธีการแก้ไข\n\n---\n\n### **แนวทางการส่งงาน (Submission Guidelines)**\n- ส่งโค้ด R พร้อมคำอธิบายในรูปแบบไฟล์ .Rmd หรือ .qmd\n- ใส่คอมเมนต์อธิบายในแต่ละขั้นตอนเพื่อให้สามารถทำซ้ำได้ (Reproducibility)\n- กำหนดค่า seed เพื่อให้ผลลัพธ์คงที่\n- ส่งรายงานสรุปผลการวิเคราะห์เป็นไฟล์ PDF\n\n---\n\n### **เกณฑ์การให้คะแนน (Assessment Criteria)**\n| เกณฑ์ | คะแนน |\n|----------|--------|\n| การเตรียมข้อมูลและสร้างคุณลักษณะ | 25 |\n| การฝึกสอนและพัฒนาโมเดล | 25 |\n| การประเมินและแปลผลลัพธ์ของโมเดล | 20 |\n| การเปรียบเทียบผลลัพธ์และการนำเสนอข้อมูล | 20 |\n| ความชัดเจนของโครงสร้างและเหตุผลประกอบ | 10 |\n| **รวม** | 100 |\n\n---\n**หมายเหตุ:** การบ้านนี้เน้นให้ความสำคัญกับกระบวนการวิเคราะห์และการอธิบายเหตุผลมากกว่าผลลัพธ์ของโมเดลเพียงอย่างเดียว\n\n","access","public","isModerationBlocked","isAnonifyApiKeyDetected","dd",{"_38":39,"_40":41},"disablePrefetch",true,"shouldPrefetchAccount","shouldPrefetchUser","shouldPrefetchSystemHints","promoteCss","disableSSR","stripModulepreloadImports","statsigGateEvaluationsPromise",["P",37],"traceId","16937763898607347700","traceTime",1778992893141]