การเฉลี่ยตัวแบบสองชั้นสำหรับซัพพอร์ตเวกเตอร์แบบถดถอย

การวิเคราะห์การถดถอยด้วยตัวแบบซัพพอร์ตเวกเตอร์แบบถดถอย (Support Vector Regression: SVR) เป็นเทคนิคที่มีประสิทธิภาพสูงในงานด้านการพยากรณ์ อย่างไรก็ตาม การใช้ตัวแบบ SVR แบบเดี่ยวอาจมีข้อจำกัดในด้านความไวต่อสัญญาณรบกวนและความคลาดเคลื่อนของการพยากรณ์ งานวิจัยนี้จึงเสนอ วิธีการเฉลี่ยตัวแบบสองชั้นบนซัพพอร์ตเวกเตอร์แบบถดถอย (Double Averaging SVR : DASVR) เพื่อเพิ่มประสิทธิภาพของการพยากรณ์ โดยใช้แนวคิดการรวมผลลัพธ์จาก SVR หลายตัวแบบที่กำหนดเคอร์เนลแตกต่างกัน 5 ประเภท ได้แก่ เคอร์เนลเชิงเส้น เคอร์เนลพหุนาม เคอร์เนลเรเดียลเบซิสฟังก์ชัน เคอร์เนลซิกมอยด์ และเคอร์เนลลาปลาซ แล้วทำการเฉลี่ยผลลัพธ์แบบถ่วงน้ำหนักด้วย 4 วิธี ได้แก่ การให้น้ำหนักเท่ากัน การให้น้ำหนักตามค่าความคลาดเคลื่อน การให้น้ำหนักตามเกณฑ์สารสนเทศของอะกะอิเกะ (AIC) และการให้น้ำหนักตามเกณฑ์สารสนเทศของเบส์ (BIC) ภายใต้การจำลองข้อมูล 2 ลักษณะ คือ ข้อมูลมิติต่ำและข้อมูลมิติสูง รวมถึงการประยุกต์กับข้อมูลจริง ผลการวิจัยพบว่า การประยุกต์แนวคิดการเฉลี่ยตัวแบบและการเฉลี่ยเคอร์เนลบนตัวแบบ SVR สามารถเพิ่มความแม่นยำและความเสถียรของการพยากรณ์ได้อย่างมีประสิทธิภาพ โดยเฉพาะวิธีการให้น้ำหนักตามเกณฑ์สารสนเทศของ AIC และ BIC ซึ่งให้ค่าความคลาดเคลื่อนต่ำที่สุดในเกือบทุกกรณี การคัดเลือกตัวแปรมีผลเชิงบวกต่อประสิทธิภาพของตัวแบบในข้อมูลมิติสูง ขณะที่ในข้อมูลมิติต่ำให้ผลไม่แตกต่างจากเดิม นอกจากนี้ วิธีการเฉลี่ยตัวแบบสองชั้นบน SVR ให้ผลดีกว่าวิธีการเฉลี่ยเคอร์เนลและตัวแบบการถดถอยพื้นฐาน โดยเฉพาะในข้อมูลที่มีโครงสร้างซับซ้อนหรือมีลักษณะไม่เป็นเชิงเส้น สรุปได้ว่าแนวทางการเฉลี่ยตัวแบบโดยใช้เกณฑ์สารสนเทศภายใต้กรอบแนวคิดของ SVR เป็นวิธีที่มีศักยภาพสูงในการพัฒนาตัวแบบการถดถอยให้มีความแม่นยำ มีความเสถียร และยืดหยุ่นต่อข้อมูลที่หลากหลาย