{ "schema_version": 2, "source": "saved notebook outputs and static source; installed estimator defaults; no notebook execution", "cv_precision": "mean and SD from printed fold summary, rounded to integer baht", "runs": [ { "run_id": "DT_new_cardb", "notebook": "DT/DT_new_cardb.ipynb", "model": "DT", "dataset": "new_cardb", "variant": "base", "result": { "run_id": "DT_new_cardb", "model": "DT", "dataset": "new_car_dataset.csv", "variant": "base", "version": "v5", "features": [ "engine", "mileage", "car_age", "brand", "model", "car_type", "fuel", "gear" ], "train": { "R2": 0.9846765150274094, "RMSE": 80654.0431396732, "MAE": 56081.4382562205, "MAPE": 0.1241136086602639 }, "validation": { "R2": 0.8787368538020567, "RMSE": 231717.97654295553, "MAE": 84840.10329693081, "MAPE": 0.14467516582767675 }, "test": { "R2": 0.9249865586605381, "RMSE": 161298.97826228233, "MAE": 75926.59963815239, "MAPE": 0.1366728773905031 }, "best_params": { "ccp_alpha": 4865092.784376718, "max_depth": null, "min_samples_leaf": 1 } }, "importance": { "run_id": "DT_new_cardb", "permutation": { "engine": { "mean": 188446.62834988473, "std": 5112.02334230181 }, "mileage": { "mean": 23406.22914764463, "std": 2434.592392747707 }, "car_age": { "mean": 186358.74371394358, "std": 4523.552703168262 }, "brand": { "mean": 117551.97445638105, "std": 3718.789828411316 }, "model": { "mean": 39858.245780747086, "std": 952.5857980360572 }, "car_type": { "mean": 79519.36021101639, "std": 4412.839466636804 }, "fuel": { "mean": 13338.20631693469, "std": 1236.5154850384952 }, "gear": { "mean": 7708.704976688343, "std": 1189.9750692777532 } }, "model_based": { "engine": 0.19170734310270365, "mileage": 0.09375156614495518, "car_age": 0.16561566363754726, "brand": 0.350240771316219, "model": 0.11564093801398766, "car_type": 0.06922632822626444, "fuel": 0.011432580904249312, "gear": 0.002384808654073511 } }, "cv": { "mean": 89298.0, "sd": 5251.0, "source": "ตาราง CV train เทียบ validation", "precision": "printed integer baht" }, "cv_tables": [ { "kind": "search_candidates", "rows": [ { "candidate": 144.0, "chosen": "", "eligible": "yes", "leaves": 2347.0, "rank": 1.0, "max_depth": "None", "min_samples_leaf": 1.0, "ccp_alpha": 1138000.0, "cv_mae": 87386.0, "cv_mae_sd": 5068.0, "train_mae": 38236.0, "gap": 49151.0 }, { "candidate": 174.0, "chosen": "", "eligible": "yes", "leaves": 1558.0, "rank": 2.0, "max_depth": "None", "min_samples_leaf": 1.0, "ccp_alpha": 2345000.0, "cv_mae": 88151.0, "cv_mae_sd": 5154.0, "train_mae": 46041.0, "gap": 42110.0 }, { "candidate": 114.0, "chosen": "", "eligible": "yes", "leaves": 3548.0, "rank": 3.0, "max_depth": "None", "min_samples_leaf": 1.0, "ccp_alpha": 549600.0, "cv_mae": 88163.0, "cv_mae_sd": 4900.0, "train_mae": 30713.0, "gap": 57451.0 }, { "candidate": 138.0, "chosen": "", "eligible": "yes", "leaves": 2079.0, "rank": 4.0, "max_depth": 25.0, "min_samples_leaf": 1.0, "ccp_alpha": 1138000.0, "cv_mae": 88552.0, "cv_mae_sd": 5026.0, "train_mae": 43560.0, "gap": 44992.0 }, { "candidate": 168.0, "chosen": "", "eligible": "yes", "leaves": 1446.0, "rank": 5.0, "max_depth": 25.0, "min_samples_leaf": 1.0, "ccp_alpha": 2345000.0, "cv_mae": 89174.0, "cv_mae_sd": 5161.0, "train_mae": 49753.0, "gap": 39421.0 }, { "candidate": 108.0, "chosen": "", "eligible": "yes", "leaves": 3024.0, "rank": 6.0, "max_depth": 25.0, "min_samples_leaf": 1.0, "ccp_alpha": 549600.0, "cv_mae": 89191.0, "cv_mae_sd": 4891.0, "train_mae": 37853.0, "gap": 51338.0 }, { "candidate": 204.0, "chosen": "*", "eligible": "yes", "leaves": 1041.0, "rank": 7.0, "max_depth": "None", "min_samples_leaf": 1.0, "ccp_alpha": 4865000.0, "cv_mae": 89298.0, "cv_mae_sd": 5251.0, "train_mae": 54253.0, "gap": 35046.0 }, { "candidate": 84.0, "chosen": "", "eligible": "yes", "leaves": 5370.0, "rank": 8.0, "max_depth": "None", "min_samples_leaf": 1.0, "ccp_alpha": 265500.0, "cv_mae": 89637.0, "cv_mae_sd": 4768.0, "train_mae": 23559.0, "gap": 66078.0 }, { "candidate": 78.0, "chosen": "", "eligible": "", "leaves": "", "rank": 9.0, "max_depth": 25.0, "min_samples_leaf": 1.0, "ccp_alpha": 265500.0, "cv_mae": 90225.0, "cv_mae_sd": 4765.0, "train_mae": 32689.0, "gap": 57536.0 }, { "candidate": 198.0, "chosen": "", "eligible": "", "leaves": "", "rank": 10.0, "max_depth": 25.0, "min_samples_leaf": 1.0, "ccp_alpha": 4865000.0, "cv_mae": 90282.0, "cv_mae_sd": 5400.0, "train_mae": 56579.0, "gap": 33703.0 } ] }, { "kind": "fold_scores", "rows": [ { "": 1.0, "train MAE": 54293.0, "validation MAE": 88073.0, "MAE gap": 33780.0, "gap % of validation MAE": 38.35, "train R2": 0.9859, "validation R2": 0.8936, "R2 gap": 0.0923 }, { "": 2.0, "train MAE": 54633.0, "validation MAE": 99200.0, "MAE gap": 44567.0, "gap % of validation MAE": 44.93, "train R2": 0.9849, "validation R2": 0.7941, "R2 gap": 0.1908 }, { "": 3.0, "train MAE": 54125.0, "validation MAE": 89365.0, "MAE gap": 35240.0, "gap % of validation MAE": 39.43, "train R2": 0.9867, "validation R2": 0.8577, "R2 gap": 0.129 }, { "": 4.0, "train MAE": 54055.0, "validation MAE": 85183.0, "MAE gap": 31128.0, "gap % of validation MAE": 36.54, "train R2": 0.9868, "validation R2": 0.9038, "R2 gap": 0.0829 }, { "": 5.0, "train MAE": 54158.0, "validation MAE": 84671.0, "MAE gap": 30514.0, "gap % of validation MAE": 36.04, "train R2": 0.9864, "validation R2": 0.8575, "R2 gap": 0.1289 }, { "": "mean", "train MAE": 54253.0, "validation MAE": 89298.0, "MAE gap": 35046.0, "gap % of validation MAE": 39.06, "train R2": 0.9861, "validation R2": 0.8613, "R2 gap": 0.1248 }, { "": "sd", "train MAE": 205.0, "validation MAE": 5251.0, "MAE gap": 5063.0, "gap % of validation MAE": 3.18, "train R2": 0.0007, "validation R2": 0.0384, "R2 gap": 0.0379 } ] } ], "ablation": [], "overfit": [ "PASS validation เทียบ CV : ต่างกัน -4,458 บาท (-4.99%) เกณฑ์ ±9,218 บาท (2 SE)", "WARN test เทียบ CV : ต่างกัน -13,372 บาท (-14.97%) เกณฑ์ ±7,033 บาท (2 SE)", "PASS test เทียบ validation : ต่างกัน -8,914 บาท (-10.51%) เกณฑ์ ±9,504 บาท (2 SE)", "PASS learning curve (2,365 -> 23,657 แถว): test MAE 116,018 -> 75,927 บาท, gap 85,985 -> 19,845 บาท (ต้องลดลงทั้งคู่)" ], "plots": { "learning": "img/DT_new_cardb_learning.png", "permutation": "img/DT_new_cardb_permutation.png", "model_based": "img/DT_new_cardb_model_based.png" }, "data": { "rows": 29571, "models": 445, "split": [ { "ชุด": "train", "แถว": 23657.0, "สัดส่วน (%)": 80.0, "จำนวนรุ่น": 445.0 }, { "ชุด": "validation", "แถว": 2957.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 232.0 }, { "ชุด": "test", "แถว": 2957.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 246.0 } ] }, "params": [ { "parameter": "ccp_alpha", "value": 4865092.784376718, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [0.0, 128200.0, 265500.0, 549600.0, 1138000.0, 2345000.0, 4865000.0, 10090000.0])", "explanation": "ความแรงของการตัดกิ่ง; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตัวเลือกจาก ccp path บน train และ CV (ช่วงแสดงตามผลพิมพ์ 4 หลักนัยสำคัญ); ตรวจขอบ: PASS (อยู่ด้านในของ grid)।", "kind": "tuned", "search_range": [ 0.0, 128200.0, 265500.0, 549600.0, 1138000.0, 2345000.0, 4865000.0, 10090000.0 ], "grid_edge": "PASS (อยู่ด้านในของ grid)", "candidate_source": "เลือกจาก ccp path" }, { "parameter": "max_depth", "value": null, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [10, 15, 20, 25, null])", "explanation": "ความลึกสูงสุดของต้นไม้; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (อยู่ที่ขอบธรรมชาติ ขยายต่อไม่ได้)।", "kind": "tuned", "search_range": [ 10, 15, 20, 25, null ], "grid_edge": "PASS (อยู่ที่ขอบธรรมชาติ ขยายต่อไม่ได้)", "candidate_source": "PARAM_GRID" }, { "parameter": "min_samples_leaf", "value": 1, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [1, 5, 7, 9, 12, 15])", "explanation": "จำนวนแถวขั้นต่ำต่อใบ; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (อยู่ที่ขอบธรรมชาติ ขยายต่อไม่ได้)।", "kind": "tuned", "search_range": [ 1, 5, 7, 9, 12, 15 ], "grid_edge": "PASS (อยู่ที่ขอบธรรมชาติ ขยายต่อไม่ได้)", "candidate_source": "PARAM_GRID" }, { "parameter": "criterion", "value": "squared_error", "source": "กำหนดคงที่ในโค้ด", "explanation": "วัดคุณภาพการแตกกิ่งด้วย MSE (ค่าเริ่มต้น เหมาะกับการทายราคา); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_features", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ทุกการแตกกิ่งเห็นตัวแปรครบ (ใช้กับต้นไม้ต้นเดียวได้ แต่ยังไม่ได้ทดสอบ); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_leaf_nodes", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนใบสูงสุด None = ไม่จำกัด (ยังไม่ได้ทดสอบขีดจำกัดนี้); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_impurity_decrease", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "แตกกิ่งได้แม้ลด error น้อย (ยังไม่ได้ทดสอบเกณฑ์นี้); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_samples_split", "value": 2, "source": "กำหนดคงที่ในโค้ด", "explanation": "รถขั้นต่ำในโหนดก่อนแตกกิ่ง (ค่าเริ่มต้น ยังไม่ได้ทดสอบการปรับ); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_weight_fraction_leaf", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนน้ำหนักขั้นต่ำต่อใบ 0 = ไม่ใช้ (ทุกแถวน้ำหนักเท่ากัน); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "monotonic_cst", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่บังคับทิศทางความสัมพันธ์ของตัวแปรกับราคา; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มคงที่ ใช้ตัดสินกรณีจุดตัดดีเท่ากัน ให้ผลซ้ำได้; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "splitter", "value": "best", "source": "กำหนดคงที่ในโค้ด", "explanation": "ลองทุกจุดตัดแล้วเลือกจุดที่ดีที่สุด ไม่สุ่ม; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "SEED", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มกลาง ใช้ทุกที่ที่มีการสุ่ม เพื่อให้ผลซ้ำได้।", "kind": "fixed" }, { "parameter": "N_FOLDS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน fold ของ cross-validation।", "kind": "fixed" }, { "parameter": "NUM_COLS", "value": [ "engine", "mileage", "car_age" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ตัวเลข।", "kind": "fixed" }, { "parameter": "CAT_COLS", "value": [ "brand", "model", "car_type", "fuel", "gear" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ประเภทกลุ่ม।", "kind": "fixed" }, { "parameter": "DATA_SHA256", "value": "04574b158eecae7a353528c575f19a14c542bdd379368fc756829446cf68d412", "source": "กำหนดคงที่ในโค้ด", "explanation": "ลายนิ้วมือไฟล์ข้อมูล।", "kind": "fixed" }, { "parameter": "MODEL_NAME", "value": "DT", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อโมเดล ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "VERSION", "value": "v5", "source": "กำหนดคงที่ในโค้ด", "explanation": "เวอร์ชันของวิธีฝึก ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "CURRENT_YEAR", "value": 2026, "source": "กำหนดคงที่ในโค้ด", "explanation": "ปีที่เก็บข้อมูล ใช้คำนวณ car_age = CURRENT_YEAR - year।", "kind": "fixed" }, { "parameter": "TRAIN_SIZE", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "VAL_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "TEST_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "MIN_LEAVES", "value": 20, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนใบขั้นต่ำที่ยอมรับตอนเลือก ccp_alpha (heuristic)।", "kind": "fixed" }, { "parameter": "CCP_N_CANDIDATES", "value": 20, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนค่า ccp_alpha ที่คัดมาลอง (heuristic)।", "kind": "fixed" }, { "parameter": "CCP_NEIGHBOURS", "value": 3, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนค่าข้างเคียงที่เพิ่มรอบค่าที่เลือก (heuristic)।", "kind": "fixed" }, { "parameter": "LC_FRACTIONS", "value": [ 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วน train ที่ใช้วาด learning curve: 10% ถึง 100%।", "kind": "fixed" }, { "parameter": "LC_REPEATS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนรอบสุ่มซ้ำของ learning curve ต่อหนึ่งสัดส่วน।", "kind": "fixed" }, { "parameter": "SEARCH_JOBS", "value": 8, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่รันพร้อมกันใน GridSearchCV (SEARCH_JOBS x MODEL_THREADS ไม่เกิน 20)।", "kind": "fixed" }, { "parameter": "MODEL_THREADS", "value": 1, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ของไลบรารีคำนวณภายในแต่ละงาน (DT ฝึกด้วย thread เดียวอยู่แล้ว)।", "kind": "fixed" }, { "parameter": "MAE_AXIS", "value": [ 20000, 90000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน MAE (บาท) ของ learning curve และ validation curve ครอบทุกโมเดล।", "kind": "fixed" }, { "parameter": "R2_AXIS", "value": [ 0.8, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน R² ของ learning curve।", "kind": "fixed" }, { "parameter": "ROWS_AXIS", "value": [ 0, 40000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของ learning curve: จำนวนแถวฝึก (ทุกโมเดลฝึกบนข้อมูลชุดเดียวกัน)।", "kind": "fixed" }, { "parameter": "FOLD_AXIS", "value": [ -0.5, 4.5 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของกราฟแท่งราย fold: ตำแหน่ง 0..4 (ต้องสัมพันธ์กับ N_FOLDS = 5)।", "kind": "fixed" }, { "parameter": "MAE_BAR_AXIS", "value": [ 0, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟแท่ง MAE ต่อ fold: แท่งต้องเริ่มที่ 0 จึงแยกจาก MAE_AXIS।", "kind": "fixed" }, { "parameter": "MAE_CCP_AXIS", "value": [ 50000, 130000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ ccp_alpha (เฉพาะ DT): ฝั่ง alpha สูงเกิน MAE_AXIS จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_OOB_AXIS", "value": [ 52000, 54000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ OOB (เฉพาะ RF): เส้นแบนมาก ถ้าใช้ MAE_AXIS เส้นจะเป็นขีดตรง จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_ROUND_AXIS", "value": [ 30000, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟรายรอบ (เฉพาะ XGB): ตัดรอบแรกๆ ที่ MAE สูงมากทิ้งเหมือนเดิม จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "RUN_ID", "value": "DT_new_cardb", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อการทดลอง; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "DATASET", "value": "new_car_dataset.csv", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อชุดข้อมูล; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "VARIANT", "value": "base", "source": "กำหนดคงที่ในโค้ด", "explanation": "รูปแบบ base หรือ adj; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "MAX_CAR_AGE", "value": 25, "source": "กำหนดคงที่ในโค้ด", "explanation": "อายุรถสูงสุดที่ยอมรับในการกรองข้อมูล; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "MODEL_ALIASES", "value": { "ALTIS": "COROLLAALTIS", "NP300NAVARA": "NAVARA" }, "source": "กำหนดคงที่ในโค้ด", "explanation": "กฎรวมชื่อรุ่นที่สะกดต่างกัน; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "PERM_AXIS", "value": [ 0, 150000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนกราฟ permutation importance; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "SHARE_AXIS", "value": [ 0, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนสัดส่วนความสำคัญตัวแปร; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "ccp_alpha.candidates", "value": [ 0.0, 128200.0, 265500.0, 549600.0, 1138000.0, 2345000.0, 4865000.0, 10090000.0 ], "source": "เลือกจาก ccp path", "explanation": "เลือก alpha บวกบนสเกล log ที่ต้นไม้ยังเกิน MIN_LEAVES แล้วใช้ CV คัดเพื่อนบ้าน CCP_NEIGHBOURS พร้อมเพิ่ม 0 ก่อนค้น grid; ค่าตัวเลือกแสดงตามผลพิมพ์ 4 หลักนัยสำคัญ।", "kind": "fixed" }, { "parameter": "pipeline.target_transform", "value": "identity (บาท)", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้ราคาเป็นบาทโดยไม่แปลงเป้าหมาย; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "FoldOneHot.scale_numeric", "value": false, "source": "กำหนดคงที่ในโค้ด", "explanation": "กำหนดว่าจะปรับสเกลเฉพาะตัวเลขในแต่ละ fold หรือไม่ตาม pipeline; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "scaler", "value": "ไม่มี", "source": "กำหนดคงที่ในโค้ด", "explanation": "ส่งค่าตัวเลขเดิมเข้าโมเดลตามโค้ดโดยไม่ได้ปรับจูนการ scale।", "kind": "fixed" }, { "parameter": "encoder", "value": "FoldOneHot; numeric=float; dummy=float; dense", "source": "กำหนดคงที่ในโค้ด", "explanation": "แปลงหมวดหมู่เป็น 0/1 และต่อกับตัวเลขโดย fit ใหม่ในแต่ละ fold เพื่อป้องกันข้อมูลรั่ว।", "kind": "fixed" }, { "parameter": "FoldOneHot.reference", "value": "most frequent; ties: name ascending, stable", "source": "กำหนดคงที่ในโค้ด", "explanation": "ทิ้งระดับที่พบบ่อยที่สุดเพื่อลดคอลัมน์ซ้ำซ้อนและใช้ชื่อเรียงตัดสินเมื่อความถี่เสมอกันตามโค้ด।", "kind": "fixed" }, { "parameter": "FoldOneHot.unseen", "value": "all zeros", "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับที่ไม่เคยพบในแถวฝึกได้ศูนย์ทุกคอลัมน์ตามโค้ดเพื่อให้แปลงข้อมูลใหม่ได้।", "kind": "fixed" }, { "parameter": "split.strategy", "value": "forced-train 1 / brand|model", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้กติกาแบ่งชุดของไฟล์นี้ร่วมกับ TRAIN_SIZE/VAL_SIZE/TEST_SIZE และ SEED ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.shuffle", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "สลับลำดับแถวก่อนแบ่ง fold เพื่อให้กระจายข้อมูล; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มของการแบ่ง fold เพื่อทำผลซ้ำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.scoring", "value": { "MAE": "neg_mean_absolute_error", "RMSE": "neg_root_mean_squared_error", "MAPE": "neg_mean_absolute_percentage_error", "R2": "r2" }, "source": "กำหนดคงที่ในโค้ด", "explanation": "ตัววัด CV โดยใช้ MAE หน่วยบาทเลือกผู้ชนะและใช้ใบวัดความซับซ้อน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.refit", "value": "refit_1se", "source": "กำหนดคงที่ในโค้ด", "explanation": "ฟังก์ชันเลือกชุดค่าด้วยกฎ 1-SE แล้วฝึกผู้ชนะบน train ทั้งชุด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.return_train_score", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "เก็บคะแนน train เพื่อเทียบกับ CV; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.error_score", "value": "raise", "source": "กำหนดคงที่ในโค้ด", "explanation": "ให้หยุดเมื่อการฝึกเกิดข้อผิดพลาด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.n_jobs", "value": 8, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่ทำพร้อมกัน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.pre_dispatch", "value": 8, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานที่ส่งล่วงหน้าเพื่อคุมหน่วยความจำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.verbose", "value": 0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับข้อความความคืบหน้าของการค้นหา; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "selection.1SE", "value": "min CV MAE + SD(ddof=0)/sqrt(N_FOLDS); min leaves → CV MAE → index", "source": "กำหนดคงที่ในโค้ด", "explanation": "เลือกใบน้อยที่สุดในช่วงหนึ่ง SE จาก MAE ต่ำสุด; DT นับใบบน train ทั้งชุด ส่วน RF/XGB ใช้ค่าเฉลี่ยใบรวมจาก CV ตามโค้ด।", "kind": "fixed" } ], "missing": [], "runtime": { "start": "2026-10-26 00:10:47", "end": "2026-10-26 00:16:58", "status": "ok", "seconds": 371.0 } }, { "run_id": "RF_new_cardb", "notebook": "RF/RF_new_cardb.ipynb", "model": "RF", "dataset": "new_cardb", "variant": "base", "result": { "run_id": "RF_new_cardb", "model": "RF", "dataset": "new_car_dataset.csv", "variant": "base", "version": "v5", "features": [ "engine", "mileage", "car_age", "brand", "model", "car_type", "fuel", "gear" ], "train": { "R2": 0.9881706636837515, "RMSE": 70864.30945335864, "MAE": 29939.1700167164, "MAPE": 0.04976860763666233 }, "validation": { "R2": 0.9176045504854838, "RMSE": 191005.9627764141, "MAE": 71935.38323468083, "MAPE": 0.11862187839216266 }, "test": { "R2": 0.9457941451222516, "RMSE": 137115.06394598205, "MAE": 65864.24338064737, "MAPE": 0.11347901495874109 }, "best_params": { "max_features": 0.8, "min_samples_leaf": 1 } }, "importance": { "run_id": "RF_new_cardb", "permutation": { "engine": { "mean": 178663.4753857322, "std": 4573.098557899297 }, "mileage": { "mean": 27662.677940805082, "std": 1802.8446568417053 }, "car_age": { "mean": 176320.62123570679, "std": 4441.152165583016 }, "brand": { "mean": 105340.04202859229, "std": 2189.0965044761438 }, "model": { "mean": 34878.94008699556, "std": 683.4423401183702 }, "car_type": { "mean": 63312.49128898487, "std": 2923.063009660446 }, "fuel": { "mean": 13525.970017383224, "std": 626.6353510701268 }, "gear": { "mean": 6638.868597724993, "std": 314.6281481513421 } }, "model_based": { "engine": 0.180100097435365, "mileage": 0.0949893513669555, "car_age": 0.18713650786937572, "brand": 0.3121197725453346, "model": 0.12257274575143973, "car_type": 0.06520282679253736, "fuel": 0.03517457102251712, "gear": 0.002704127216475073 } }, "cv": { "mean": 75331.0, "sd": 2738.0, "source": "ตาราง CV train เทียบ validation", "precision": "printed integer baht" }, "cv_tables": [ { "kind": "search_candidates", "rows": [ { "candidate": 0.0, "chosen": "", "eligible": "yes", "leaves": 3198641.0, "rank": 1.0, "max_features": 0.2, "min_samples_leaf": 1.0, "cv_mae": 74263.0, "cv_mae_sd": 2680.0, "train_mae": 29911.0, "gap": 44352.0 }, { "candidate": 6.0, "chosen": "", "eligible": "yes", "leaves": 3194367.0, "rank": 2.0, "max_features": 0.3, "min_samples_leaf": 1.0, "cv_mae": 74326.0, "cv_mae_sd": 2657.0, "train_mae": 29882.0, "gap": 44443.0 }, { "candidate": 12.0, "chosen": "", "eligible": "yes", "leaves": 3189781.0, "rank": 3.0, "max_features": 0.4, "min_samples_leaf": 1.0, "cv_mae": 74481.0, "cv_mae_sd": 2698.0, "train_mae": 29904.0, "gap": 44578.0 }, { "candidate": 18.0, "chosen": "", "eligible": "yes", "leaves": 3185049.0, "rank": 4.0, "max_features": 0.5, "min_samples_leaf": 1.0, "cv_mae": 74599.0, "cv_mae_sd": 2664.0, "train_mae": 29876.0, "gap": 44723.0 }, { "candidate": 24.0, "chosen": "", "eligible": "yes", "leaves": 3180098.0, "rank": 5.0, "max_features": 0.6, "min_samples_leaf": 1.0, "cv_mae": 74803.0, "cv_mae_sd": 2646.0, "train_mae": 29957.0, "gap": 44846.0 }, { "candidate": 30.0, "chosen": "*", "eligible": "yes", "leaves": 3168723.0, "rank": 6.0, "max_features": 0.8, "min_samples_leaf": 1.0, "cv_mae": 75331.0, "cv_mae_sd": 2738.0, "train_mae": 30035.0, "gap": 45296.0 }, { "candidate": 36.0, "chosen": "", "eligible": "", "leaves": 3153956.0, "rank": 7.0, "max_features": 1.0, "min_samples_leaf": 1.0, "cv_mae": 75987.0, "cv_mae_sd": 2788.0, "train_mae": 30266.0, "gap": 45721.0 }, { "candidate": 13.0, "chosen": "", "eligible": "", "leaves": 1282221.0, "rank": 8.0, "max_features": 0.4, "min_samples_leaf": 2.0, "cv_mae": 76107.0, "cv_mae_sd": 2989.0, "train_mae": 51072.0, "gap": 25035.0 }, { "candidate": 19.0, "chosen": "", "eligible": "", "leaves": 1340011.0, "rank": 9.0, "max_features": 0.5, "min_samples_leaf": 2.0, "cv_mae": 76128.0, "cv_mae_sd": 2909.0, "train_mae": 49589.0, "gap": 26538.0 }, { "candidate": 25.0, "chosen": "", "eligible": "", "leaves": 1385609.0, "rank": 10.0, "max_features": 0.6, "min_samples_leaf": 2.0, "cv_mae": 76216.0, "cv_mae_sd": 2964.0, "train_mae": 48510.0, "gap": 27706.0 } ] }, { "kind": "fold_scores", "rows": [ { "": 1.0, "train MAE": 30383.0, "validation MAE": 73102.0, "MAE gap": 42719.0, "gap % of validation MAE": 58.44, "train R2": 0.9868, "validation R2": 0.9343, "R2 gap": 0.0525 }, { "": 2.0, "train MAE": 29895.0, "validation MAE": 79514.0, "MAE gap": 49619.0, "gap % of validation MAE": 62.4, "train R2": 0.9868, "validation R2": 0.9082, "R2 gap": 0.0786 }, { "": 3.0, "train MAE": 29907.0, "validation MAE": 76102.0, "MAE gap": 46196.0, "gap % of validation MAE": 60.7, "train R2": 0.9874, "validation R2": 0.9176, "R2 gap": 0.0698 }, { "": 4.0, "train MAE": 29725.0, "validation MAE": 76283.0, "MAE gap": 46558.0, "gap % of validation MAE": 61.03, "train R2": 0.9886, "validation R2": 0.912, "R2 gap": 0.0766 }, { "": 5.0, "train MAE": 30267.0, "validation MAE": 71654.0, "MAE gap": 41387.0, "gap % of validation MAE": 57.76, "train R2": 0.9887, "validation R2": 0.8967, "R2 gap": 0.092 }, { "": "mean", "train MAE": 30035.0, "validation MAE": 75331.0, "MAE gap": 45296.0, "gap % of validation MAE": 60.07, "train R2": 0.9877, "validation R2": 0.9137, "R2 gap": 0.0739 }, { "": "sd", "train MAE": 248.0, "validation MAE": 2738.0, "MAE gap": 2933.0, "gap % of validation MAE": 1.72, "train R2": 0.0008, "validation R2": 0.0123, "R2 gap": 0.0129 } ] } ], "ablation": [], "overfit": [ "PASS validation เทียบ CV : ต่างกัน -3,396 บาท (-4.51%) เกณฑ์ ±6,954 บาท (2 SE)", "WARN test เทียบ CV : ต่างกัน -9,467 บาท (-12.57%) เกณฑ์ ±5,057 บาท (2 SE)", "PASS validation เทียบ OOB : ต่างกัน -1,094 บาท (-1.50%) เกณฑ์ ±6,853 บาท (2 SE)", "WARN test เทียบ OOB : ต่างกัน -7,165 บาท (-9.81%) เกณฑ์ ±4,916 บาท (2 SE)", "PASS test เทียบ validation : ต่างกัน -6,071 บาท (-8.44%) เกณฑ์ ±7,870 บาท (2 SE)", "PASS learning curve (2,365 -> 23,657 แถว): test MAE 90,412 -> 65,971 บาท, gap 52,527 -> 36,005 บาท (ต้องลดลงทั้งคู่)" ], "plots": { "learning": "img/RF_new_cardb_learning.png", "permutation": "img/RF_new_cardb_permutation.png", "model_based": "img/RF_new_cardb_model_based.png" }, "data": { "rows": 29571, "models": 445, "split": [ { "ชุด": "train", "แถว": 23657.0, "สัดส่วน (%)": 80.0, "จำนวนรุ่น": 445.0 }, { "ชุด": "validation", "แถว": 2957.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 232.0 }, { "ชุด": "test", "แถว": 2957.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 246.0 } ] }, "params": [ { "parameter": "max_features", "value": 0.8, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [0.2, 0.3, 0.4, 0.5, 0.6, 0.8, 1.0])", "explanation": "จำนวนหรือสัดส่วนตัวแปรที่ใช้เลือกจุดแตกกิ่ง; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (อยู่ด้านในของ grid)।", "kind": "tuned", "search_range": [ 0.2, 0.3, 0.4, 0.5, 0.6, 0.8, 1.0 ], "grid_edge": "PASS (อยู่ด้านในของ grid)", "candidate_source": "PARAM_GRID" }, { "parameter": "min_samples_leaf", "value": 1, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [1, 2, 3, 4, 6, 8])", "explanation": "จำนวนแถวขั้นต่ำต่อใบ; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (อยู่ที่ขอบธรรมชาติ ขยายต่อไม่ได้)।", "kind": "tuned", "search_range": [ 1, 2, 3, 4, 6, 8 ], "grid_edge": "PASS (อยู่ที่ขอบธรรมชาติ ขยายต่อไม่ได้)", "candidate_source": "PARAM_GRID" }, { "parameter": "bootstrap", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "แต่ละต้นฝึกด้วยแถวที่สุ่มแบบหยิบแล้วใส่คืน (หัวใจของป่าสุ่ม และจำเป็นต่อ OOB); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "ccp_alpha", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่ตัดกิ่ง ป่าคุมความซับซ้อนด้วยการเฉลี่ยหลายต้นและ min_samples_leaf; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "criterion", "value": "squared_error", "source": "กำหนดคงที่ในโค้ด", "explanation": "วัดคุณภาพการแตกกิ่งด้วย MSE (ค่าเริ่มต้น เร็ว เหมาะกับการทายราคา); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_depth", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ความลึกสูงสุด None = ไม่จำกัด ขนาดต้นไม้คุมด้วย min_samples_leaf แทน; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_leaf_nodes", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนใบสูงสุด None = ไม่จำกัด (ยังไม่ได้ทดสอบขีดจำกัดนี้); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_samples", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "bootstrap มีขนาดเท่าแถวฝึกทั้งหมด (pilot: ขนาดเล็กลงทำให้ MAE แย่ลง); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_impurity_decrease", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "แตกกิ่งได้แม้ลด error น้อย (ยังไม่ได้ทดสอบเกณฑ์นี้); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_samples_split", "value": 2, "source": "กำหนดคงที่ในโค้ด", "explanation": "รถขั้นต่ำในโหนดก่อนแตกกิ่ง (ค่าเริ่มต้น ยังไม่ได้ทดสอบการปรับ); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_weight_fraction_leaf", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนน้ำหนักขั้นต่ำต่อใบ 0 = ไม่ใช้ (ทุกแถวน้ำหนักเท่ากัน); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "monotonic_cst", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่บังคับทิศทางความสัมพันธ์ของตัวแปรกับราคา; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "n_estimators", "value": 300, "source": "กราฟ OOB", "explanation": "จำนวนต้นไม้ ตั้งตายตัวตรงที่ OOB error แบนแล้ว (เซลล์ [03]); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "n_jobs", "value": 20, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ที่ใช้ฝึกและทายพร้อมกัน (เซลล์ [03]); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "oob_score", "value": false, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่คำนวณ OOB ระหว่าง grid search เพื่อประหยัดเวลา (เซลล์ [38] เปิดเอง); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มคงที่ ทั้ง bootstrap และการสุ่ม feature ให้ผลซ้ำได้; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "verbose", "value": 0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่พิมพ์ความคืบหน้าระหว่างฝึก; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "warm_start", "value": false, "source": "กำหนดคงที่ในโค้ด", "explanation": "ฝึกใหม่ทั้งป่าทุกครั้ง (เซลล์ [38] เปิดเพื่อเพิ่มต้นไม้ทีละช่วง); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "SEED", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มกลาง ใช้ทุกที่ที่มีการสุ่ม เพื่อให้ผลซ้ำได้।", "kind": "fixed" }, { "parameter": "N_FOLDS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน fold ของ cross-validation।", "kind": "fixed" }, { "parameter": "NUM_COLS", "value": [ "engine", "mileage", "car_age" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ตัวเลข।", "kind": "fixed" }, { "parameter": "CAT_COLS", "value": [ "brand", "model", "car_type", "fuel", "gear" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ประเภทกลุ่ม।", "kind": "fixed" }, { "parameter": "DATA_SHA256", "value": "04574b158eecae7a353528c575f19a14c542bdd379368fc756829446cf68d412", "source": "กำหนดคงที่ในโค้ด", "explanation": "ลายนิ้วมือไฟล์ข้อมูล।", "kind": "fixed" }, { "parameter": "MODEL_NAME", "value": "RF", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อโมเดล ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "VERSION", "value": "v5", "source": "กำหนดคงที่ในโค้ด", "explanation": "เวอร์ชันของวิธีฝึก ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "CURRENT_YEAR", "value": 2026, "source": "กำหนดคงที่ในโค้ด", "explanation": "ปีที่เก็บข้อมูล ใช้คำนวณ car_age = CURRENT_YEAR - year।", "kind": "fixed" }, { "parameter": "TRAIN_SIZE", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "VAL_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "TEST_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "N_TREES", "value": 300, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนต้นไม้ในป่า (n_estimators) ตั้งตายตัว ไม่ปรับใน grid।", "kind": "fixed" }, { "parameter": "OOB_TREE_COUNTS", "value": [ 50, 100, 150, 200, 300, 400, 600, 800, 1000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนต้นที่วัด OOB error।", "kind": "fixed" }, { "parameter": "LC_FRACTIONS", "value": [ 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วน train ที่ใช้วาด learning curve: 10% ถึง 100%।", "kind": "fixed" }, { "parameter": "LC_REPEATS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนรอบสุ่มซ้ำของ learning curve ต่อหนึ่งสัดส่วน।", "kind": "fixed" }, { "parameter": "SEARCH_JOBS", "value": 1, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่รันพร้อมกันใน GridSearchCV (1 = ทีละโมเดล ประหยัดหน่วยความจำ)।", "kind": "fixed" }, { "parameter": "MODEL_THREADS", "value": 20, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ที่ป่าใช้ฝึกและทายพร้อมกัน (n_jobs ของ RandomForestRegressor)।", "kind": "fixed" }, { "parameter": "MAE_AXIS", "value": [ 20000, 90000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน MAE (บาท) ของ learning curve และ validation curve ครอบทุกโมเดล।", "kind": "fixed" }, { "parameter": "R2_AXIS", "value": [ 0.8, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน R² ของ learning curve।", "kind": "fixed" }, { "parameter": "ROWS_AXIS", "value": [ 0, 40000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของ learning curve: จำนวนแถวฝึก (ทุกโมเดลฝึกบนข้อมูลชุดเดียวกัน)।", "kind": "fixed" }, { "parameter": "FOLD_AXIS", "value": [ -0.5, 4.5 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของกราฟแท่งราย fold: ตำแหน่ง 0..4 (ต้องสัมพันธ์กับ N_FOLDS = 5)।", "kind": "fixed" }, { "parameter": "MAE_BAR_AXIS", "value": [ 0, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟแท่ง MAE ต่อ fold: แท่งต้องเริ่มที่ 0 จึงแยกจาก MAE_AXIS।", "kind": "fixed" }, { "parameter": "MAE_CCP_AXIS", "value": [ 50000, 130000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ ccp_alpha (เฉพาะ DT): ฝั่ง alpha สูงเกิน MAE_AXIS จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_OOB_AXIS", "value": [ 52000, 54000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ OOB (เฉพาะ RF): เส้นแบนมาก ถ้าใช้ MAE_AXIS เส้นจะเป็นขีดตรง จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_ROUND_AXIS", "value": [ 30000, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟรายรอบ (เฉพาะ XGB): ตัดรอบแรกๆ ที่ MAE สูงมากทิ้งเหมือนเดิม จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "RUN_ID", "value": "RF_new_cardb", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อการทดลอง; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "DATASET", "value": "new_car_dataset.csv", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อชุดข้อมูล; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "VARIANT", "value": "base", "source": "กำหนดคงที่ในโค้ด", "explanation": "รูปแบบ base หรือ adj; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "MAX_CAR_AGE", "value": 25, "source": "กำหนดคงที่ในโค้ด", "explanation": "อายุรถสูงสุดที่ยอมรับในการกรองข้อมูล; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "MODEL_ALIASES", "value": { "ALTIS": "COROLLAALTIS", "NP300NAVARA": "NAVARA" }, "source": "กำหนดคงที่ในโค้ด", "explanation": "กฎรวมชื่อรุ่นที่สะกดต่างกัน; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "PERM_AXIS", "value": [ 0, 150000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนกราฟ permutation importance; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "SHARE_AXIS", "value": [ 0, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนสัดส่วนความสำคัญตัวแปร; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "pipeline.target_transform", "value": "identity (บาท)", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้ราคาเป็นบาทโดยไม่แปลงเป้าหมาย; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "FoldOneHot.scale_numeric", "value": false, "source": "กำหนดคงที่ในโค้ด", "explanation": "กำหนดว่าจะปรับสเกลเฉพาะตัวเลขในแต่ละ fold หรือไม่ตาม pipeline; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "scaler", "value": "ไม่มี", "source": "กำหนดคงที่ในโค้ด", "explanation": "ส่งค่าตัวเลขเดิมเข้าโมเดลตามโค้ดโดยไม่ได้ปรับจูนการ scale।", "kind": "fixed" }, { "parameter": "encoder", "value": "FoldOneHot; numeric=float; dummy=float; dense", "source": "กำหนดคงที่ในโค้ด", "explanation": "แปลงหมวดหมู่เป็น 0/1 และต่อกับตัวเลขโดย fit ใหม่ในแต่ละ fold เพื่อป้องกันข้อมูลรั่ว।", "kind": "fixed" }, { "parameter": "FoldOneHot.reference", "value": "most frequent; ties: name ascending, stable", "source": "กำหนดคงที่ในโค้ด", "explanation": "ทิ้งระดับที่พบบ่อยที่สุดเพื่อลดคอลัมน์ซ้ำซ้อนและใช้ชื่อเรียงตัดสินเมื่อความถี่เสมอกันตามโค้ด।", "kind": "fixed" }, { "parameter": "FoldOneHot.unseen", "value": "all zeros", "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับที่ไม่เคยพบในแถวฝึกได้ศูนย์ทุกคอลัมน์ตามโค้ดเพื่อให้แปลงข้อมูลใหม่ได้।", "kind": "fixed" }, { "parameter": "split.strategy", "value": "forced-train 1 / brand|model", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้กติกาแบ่งชุดของไฟล์นี้ร่วมกับ TRAIN_SIZE/VAL_SIZE/TEST_SIZE และ SEED ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.shuffle", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "สลับลำดับแถวก่อนแบ่ง fold เพื่อให้กระจายข้อมูล; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มของการแบ่ง fold เพื่อทำผลซ้ำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.scoring", "value": "{'MAE': 'neg_mean_absolute_error', 'RMSE': 'neg_root_mean_squared_error', 'MAPE': 'neg_mean_absolute_percentage_error', 'R2': 'r2', 'leaves': count_leaves_scorer}", "source": "กำหนดคงที่ในโค้ด", "explanation": "ตัววัด CV โดยใช้ MAE หน่วยบาทเลือกผู้ชนะและใช้ใบวัดความซับซ้อน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.refit", "value": "select_1se", "source": "กำหนดคงที่ในโค้ด", "explanation": "ฟังก์ชันเลือกชุดค่าด้วยกฎ 1-SE แล้วฝึกผู้ชนะบน train ทั้งชุด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.return_train_score", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "เก็บคะแนน train เพื่อเทียบกับ CV; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.error_score", "value": "raise", "source": "กำหนดคงที่ในโค้ด", "explanation": "ให้หยุดเมื่อการฝึกเกิดข้อผิดพลาด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.n_jobs", "value": 1, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่ทำพร้อมกัน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.pre_dispatch", "value": 1, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานที่ส่งล่วงหน้าเพื่อคุมหน่วยความจำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.verbose", "value": 0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับข้อความความคืบหน้าของการค้นหา; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "selection.1SE", "value": "min CV MAE + SD(ddof=0)/sqrt(N_FOLDS); min leaves → CV MAE → index", "source": "กำหนดคงที่ในโค้ด", "explanation": "เลือกใบน้อยที่สุดในช่วงหนึ่ง SE จาก MAE ต่ำสุด; DT นับใบบน train ทั้งชุด ส่วน RF/XGB ใช้ค่าเฉลี่ยใบรวมจาก CV ตามโค้ด।", "kind": "fixed" } ], "missing": [], "runtime": { "start": "2026-10-26 00:16:58", "end": "2026-10-26 00:38:39", "status": "ok", "seconds": 1300.0 } }, { "run_id": "XGB_new_cardb", "notebook": "XGB/XGB_new_cardb.ipynb", "model": "XGB", "dataset": "new_cardb", "variant": "base", "result": { "run_id": "XGB_new_cardb", "model": "XGB", "dataset": "new_car_dataset.csv", "variant": "base", "version": "v5", "features": [ "engine", "mileage", "car_age", "brand", "model", "car_type", "fuel", "gear" ], "train": { "R2": 0.9888212084770203, "RMSE": 68888.2559512142, "MAE": 45411.6640625, "MAPE": 0.09253146412269388 }, "validation": { "R2": 0.9218228459358215, "RMSE": 186052.3810973673, "MAE": 69484.21875, "MAPE": 0.11654520422648122 }, "test": { "R2": 0.9397590756416321, "RMSE": 144546.56805334397, "MAE": 64228.0703125, "MAPE": 0.1097904576454413 }, "best_params": { "max_depth": 12, "min_child_weight": 1, "n_estimators": 300, "reg_lambda": 1.0 } }, "importance": { "run_id": "XGB_new_cardb", "permutation": { "engine": { "mean": 163707.359375, "std": 4065.3794764164472 }, "mileage": { "mean": 29853.6515625, "std": 1746.7898246026764 }, "car_age": { "mean": 165590.753125, "std": 3373.09242890526 }, "brand": { "mean": 113415.0203125, "std": 2148.482794156637 }, "model": { "mean": 42755.8703125, "std": 810.520530032702 }, "car_type": { "mean": 59881.45625, "std": 2349.8037142047688 }, "fuel": { "mean": 16832.92734375, "std": 1206.3753153162654 }, "gear": { "mean": 7016.7234375, "std": 374.5673707746358 } }, "model_based": { "engine": 0.009485303060924405, "mileage": 0.000792354766430992, "car_age": 0.0036541840021272944, "brand": 0.4430853955509855, "model": 0.4469961811617357, "car_type": 0.08472111627956874, "fuel": 0.008878365602807798, "gear": 0.002387099575419637 } }, "cv": { "mean": 73564.0, "sd": 2474.0, "source": "ตาราง CV train เทียบ validation", "precision": "printed integer baht" }, "cv_tables": [ { "kind": "search_candidates", "rows": [ { "candidate": 254.0, "chosen": "", "eligible": "yes", "leaves": 78945.0, "rank": 1.0, "max_depth": 24.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 200.0, "cv_mae": 73092.0, "cv_mae_sd": 2518.0, "train_mae": 43709.0, "gap": 29383.0 }, { "candidate": 258.0, "chosen": "", "eligible": "yes", "leaves": 118172.0, "rank": 2.0, "max_depth": 24.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 300.0, "cv_mae": 73173.0, "cv_mae_sd": 2656.0, "train_mae": 38333.0, "gap": 34840.0 }, { "candidate": 189.0, "chosen": "", "eligible": "yes", "leaves": 72370.0, "rank": 3.0, "max_depth": 20.0, "min_child_weight": 1.0, "reg_lambda": 1.0, "n_estimators": 100.0, "cv_mae": 73227.0, "cv_mae_sd": 2776.0, "train_mae": 35068.0, "gap": 38160.0 }, { "candidate": 198.0, "chosen": "", "eligible": "yes", "leaves": 74293.0, "rank": 4.0, "max_depth": 20.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 300.0, "cv_mae": 73259.0, "cv_mae_sd": 2563.0, "train_mae": 44060.0, "gap": 29199.0 }, { "candidate": 133.0, "chosen": "", "eligible": "yes", "leaves": 61671.0, "rank": 5.0, "max_depth": 16.0, "min_child_weight": 1.0, "reg_lambda": 1.0, "n_estimators": 200.0, "cv_mae": 73265.0, "cv_mae_sd": 2598.0, "train_mae": 37418.0, "gap": 35847.0 }, { "candidate": 77.0, "chosen": "*", "eligible": "yes", "leaves": 37671.0, "rank": 6.0, "max_depth": 12.0, "min_child_weight": 1.0, "reg_lambda": 1.0, "n_estimators": 300.0, "cv_mae": 73564.0, "cv_mae_sd": 2474.0, "train_mae": 44637.0, "gap": 28927.0 }, { "candidate": 137.0, "chosen": "", "eligible": "yes", "leaves": 84282.0, "rank": 7.0, "max_depth": 16.0, "min_child_weight": 1.0, "reg_lambda": 1.0, "n_estimators": 300.0, "cv_mae": 73596.0, "cv_mae_sd": 2658.0, "train_mae": 33007.0, "gap": 40589.0 }, { "candidate": 194.0, "chosen": "", "eligible": "yes", "leaves": 52510.0, "rank": 8.0, "max_depth": 20.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 200.0, "cv_mae": 73629.0, "cv_mae_sd": 2558.0, "train_mae": 48510.0, "gap": 25119.0 }, { "candidate": 193.0, "chosen": "", "eligible": "yes", "leaves": 111439.0, "rank": 9.0, "max_depth": 20.0, "min_child_weight": 1.0, "reg_lambda": 1.0, "n_estimators": 200.0, "cv_mae": 73710.0, "cv_mae_sd": 2829.0, "train_mae": 28815.0, "gap": 44894.0 }, { "candidate": 250.0, "chosen": "", "eligible": "yes", "leaves": 53689.0, "rank": 10.0, "max_depth": 24.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 100.0, "cv_mae": 73758.0, "cv_mae_sd": 2455.0, "train_mae": 49570.0, "gap": 24188.0 } ] }, { "kind": "fold_scores", "rows": [ { "": 1.0, "train MAE": 45452.0, "validation MAE": 72207.0, "MAE gap": 26755.0, "gap % of validation MAE": 37.05, "train R2": 0.9885, "validation R2": 0.9352, "R2 gap": 0.0533 }, { "": 2.0, "train MAE": 45037.0, "validation MAE": 76739.0, "MAE gap": 31703.0, "gap % of validation MAE": 41.31, "train R2": 0.9886, "validation R2": 0.9073, "R2 gap": 0.0813 }, { "": 3.0, "train MAE": 43888.0, "validation MAE": 75303.0, "MAE gap": 31415.0, "gap % of validation MAE": 41.72, "train R2": 0.9905, "validation R2": 0.9249, "R2 gap": 0.0656 }, { "": 4.0, "train MAE": 43738.0, "validation MAE": 73946.0, "MAE gap": 30208.0, "gap % of validation MAE": 40.85, "train R2": 0.9904, "validation R2": 0.9134, "R2 gap": 0.077 }, { "": 5.0, "train MAE": 45071.0, "validation MAE": 69624.0, "MAE gap": 24554.0, "gap % of validation MAE": 35.27, "train R2": 0.9894, "validation R2": 0.9059, "R2 gap": 0.0836 }, { "": "mean", "train MAE": 44637.0, "validation MAE": 73564.0, "MAE gap": 28927.0, "gap % of validation MAE": 39.24, "train R2": 0.9895, "validation R2": 0.9173, "R2 gap": 0.0721 }, { "": "sd", "train MAE": 690.0, "validation MAE": 2474.0, "MAE gap": 2806.0, "gap % of validation MAE": 2.59, "train R2": 0.0008, "validation R2": 0.0112, "R2 gap": 0.0113 } ] } ], "ablation": [], "overfit": [ "WARN : validation MAE ต่างจาก CV MAE ไม่เกิน 5% (generalisation)", "WARN : test MAE ต่างจาก CV MAE ไม่เกิน 5% (generalisation)", "PASS : จำนวนรอบอยู่ในช่วง 1 SE ของจุดที่ CV MAE ต่ำสุด (ไม่น้อยหรือมากเกินไป)", "PASS : ช่องว่าง test - train แคบลงเมื่อเพิ่มข้อมูลฝึก (learning curve)" ], "plots": { "learning": "img/XGB_new_cardb_learning.png", "permutation": "img/XGB_new_cardb_permutation.png", "model_based": "img/XGB_new_cardb_model_based.png" }, "data": { "rows": 29571, "models": 445, "split": [ { "ชุด": "train", "แถว": 23657.0, "สัดส่วน (%)": 80.0, "จำนวนรุ่น": 445.0 }, { "ชุด": "validation", "แถว": 2957.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 232.0 }, { "ชุด": "test", "แถว": 2957.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 246.0 } ] }, "params": [ { "parameter": "max_depth", "value": 12, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [8, 12, 16, 20, 24])", "explanation": "ความลึกสูงสุดของต้นไม้; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (inside)।", "kind": "tuned", "search_range": [ 8, 12, 16, 20, 24 ], "grid_edge": "PASS (inside)", "candidate_source": "PARAM_GRID" }, { "parameter": "min_child_weight", "value": 1, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [1, 5, 20])", "explanation": "น้ำหนัก Hessian ขั้นต่ำของโหนดลูก; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (natural bound) (min edge)।", "kind": "tuned", "search_range": [ 1, 5, 20 ], "grid_edge": "PASS (natural bound) (min edge)", "candidate_source": "PARAM_GRID" }, { "parameter": "n_estimators", "value": 300, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [25, 50, 100, 200, 300])", "explanation": "จำนวนต้นไม้หรือรอบ boosting; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: WARN (max edge)।", "kind": "tuned", "search_range": [ 25, 50, 100, 200, 300 ], "grid_edge": "WARN (max edge)", "candidate_source": "PARAM_GRID" }, { "parameter": "reg_lambda", "value": 1.0, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [0.0, 1.0, 10.0, 100.0])", "explanation": "บทลงโทษ L2 ของค่าในใบ; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (inside)।", "kind": "tuned", "search_range": [ 0.0, 1.0, 10.0, 100.0 ], "grid_edge": "PASS (inside)", "candidate_source": "PARAM_GRID" }, { "parameter": "objective", "value": "reg:squarederror", "source": "กำหนดคงที่ในโค้ด", "explanation": "เรียนรู้จากความผิดพลาดยกกำลังสอง (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "booster", "value": "gbtree", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้ต้นไม้เป็นตัวเรียนรู้ย่อย (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "colsample_bytree", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "แต่ละต้นสุ่มเห็นคอลัมน์ 80%; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "early_stopping_rounds", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่หยุดก่อนครบรอบ (จำนวนรอบเลือกด้วย CV ใน grid); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "eval_metric", "value": "mae", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้เฉพาะตอนส่ง eval_set ในเซลล์ [38] เพื่อวาดกราฟรายรอบ; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "gamma", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "error ต้องลดอย่างน้อยเท่านี้จึงแตกกิ่ง 0 = ไม่บังคับ (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "grow_policy", "value": "depthwise", "source": "กำหนดคงที่ในโค้ด", "explanation": "โตทีละชั้นจนถึง max_depth (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "learning_rate", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "ย่อขนาดการแก้ของแต่ละต้น (คงที่ ดูเซลล์ [03]); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_bin", "value": 256, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนช่วงต่อคอลัมน์ของ hist (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_delta_step", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำกัดขนาดค่าในใบ 0 = ไม่จำกัด (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "n_jobs", "value": 3, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ภายในโมเดล (คงที่ทั้งโน้ตบุ๊ค); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มคงที่ ให้ผลซ้ำได้; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "reg_alpha", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "บทลงโทษ L1 ของค่าในใบ 0 = ไม่ใช้ (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "subsample", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "แต่ละต้นสุ่มเห็นแถว 80% ของข้อมูลฝึก; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "tree_method", "value": "hist", "source": "กำหนดคงที่ในโค้ด", "explanation": "แบ่งค่าเป็นช่วง (histogram) ก่อนหาจุดตัด เร็วกว่าวิธี exact มาก; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "SEED", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มกลาง ใช้ทุกที่ที่มีการสุ่ม เพื่อให้ผลซ้ำได้।", "kind": "fixed" }, { "parameter": "N_FOLDS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน fold ของ cross-validation।", "kind": "fixed" }, { "parameter": "NUM_COLS", "value": [ "engine", "mileage", "car_age" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ตัวเลข।", "kind": "fixed" }, { "parameter": "CAT_COLS", "value": [ "brand", "model", "car_type", "fuel", "gear" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ประเภทกลุ่ม।", "kind": "fixed" }, { "parameter": "DATA_SHA256", "value": "04574b158eecae7a353528c575f19a14c542bdd379368fc756829446cf68d412", "source": "กำหนดคงที่ในโค้ด", "explanation": "ลายนิ้วมือไฟล์ข้อมูล।", "kind": "fixed" }, { "parameter": "MODEL_NAME", "value": "XGB", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อโมเดล ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "VERSION", "value": "v5", "source": "กำหนดคงที่ในโค้ด", "explanation": "เวอร์ชันของวิธีฝึก ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "CURRENT_YEAR", "value": 2026, "source": "กำหนดคงที่ในโค้ด", "explanation": "ปีที่เก็บข้อมูล ใช้คำนวณ car_age = CURRENT_YEAR - year।", "kind": "fixed" }, { "parameter": "TRAIN_SIZE", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "VAL_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "TEST_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "LEARNING_RATE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "ขนาดก้าวของ boosting (คงที่ ไม่อยู่ใน grid)।", "kind": "fixed" }, { "parameter": "LC_FRACTIONS", "value": [ 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วน train ที่ใช้วาด learning curve: 10% ถึง 100%।", "kind": "fixed" }, { "parameter": "LC_REPEATS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนรอบสุ่มซ้ำของ learning curve ต่อหนึ่งสัดส่วน।", "kind": "fixed" }, { "parameter": "SEARCH_JOBS", "value": 6, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานที่รันพร้อมกันใน GridSearchCV (process คู่ขนาน)।", "kind": "fixed" }, { "parameter": "MODEL_THREADS", "value": 3, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ที่โมเดลแต่ละตัวใช้ภายใน।", "kind": "fixed" }, { "parameter": "MAE_AXIS", "value": [ 20000, 90000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน MAE (บาท) ของ learning curve และ validation curve ครอบทุกโมเดล।", "kind": "fixed" }, { "parameter": "R2_AXIS", "value": [ 0.8, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน R² ของ learning curve।", "kind": "fixed" }, { "parameter": "ROWS_AXIS", "value": [ 0, 40000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของ learning curve: จำนวนแถวฝึก (ทุกโมเดลฝึกบนข้อมูลชุดเดียวกัน)।", "kind": "fixed" }, { "parameter": "FOLD_AXIS", "value": [ -0.5, 4.5 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของกราฟแท่งราย fold: ตำแหน่ง 0..4 (ต้องสัมพันธ์กับ N_FOLDS = 5)।", "kind": "fixed" }, { "parameter": "MAE_BAR_AXIS", "value": [ 0, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟแท่ง MAE ต่อ fold: แท่งต้องเริ่มที่ 0 จึงแยกจาก MAE_AXIS।", "kind": "fixed" }, { "parameter": "MAE_CCP_AXIS", "value": [ 50000, 130000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ ccp_alpha (เฉพาะ DT): ฝั่ง alpha สูงเกิน MAE_AXIS จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_OOB_AXIS", "value": [ 52000, 54000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ OOB (เฉพาะ RF): เส้นแบนมาก ถ้าใช้ MAE_AXIS เส้นจะเป็นขีดตรง จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_ROUND_AXIS", "value": [ 30000, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟรายรอบ (เฉพาะ XGB): ตัดรอบแรกๆ ที่ MAE สูงมากทิ้งเหมือนเดิม จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "RUN_ID", "value": "XGB_new_cardb", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อการทดลอง; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "DATASET", "value": "new_car_dataset.csv", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อชุดข้อมูล; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "VARIANT", "value": "base", "source": "กำหนดคงที่ในโค้ด", "explanation": "รูปแบบ base หรือ adj; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "MAX_CAR_AGE", "value": 25, "source": "กำหนดคงที่ในโค้ด", "explanation": "อายุรถสูงสุดที่ยอมรับในการกรองข้อมูล; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "MODEL_ALIASES", "value": { "ALTIS": "COROLLAALTIS", "NP300NAVARA": "NAVARA" }, "source": "กำหนดคงที่ในโค้ด", "explanation": "กฎรวมชื่อรุ่นที่สะกดต่างกัน; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "PERM_AXIS", "value": [ 0, 150000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนกราฟ permutation importance; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "SHARE_AXIS", "value": [ 0, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนสัดส่วนความสำคัญตัวแปร; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "pipeline.target_transform", "value": "identity (บาท)", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้ราคาเป็นบาทโดยไม่แปลงเป้าหมาย; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "FoldOneHot.scale_numeric", "value": false, "source": "กำหนดคงที่ในโค้ด", "explanation": "กำหนดว่าจะปรับสเกลเฉพาะตัวเลขในแต่ละ fold หรือไม่ตาม pipeline; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "scaler", "value": "ไม่มี", "source": "กำหนดคงที่ในโค้ด", "explanation": "ส่งค่าตัวเลขเดิมเข้าโมเดลตามโค้ดโดยไม่ได้ปรับจูนการ scale।", "kind": "fixed" }, { "parameter": "encoder", "value": "FoldOneHot; numeric=float; dummy=float; dense", "source": "กำหนดคงที่ในโค้ด", "explanation": "แปลงหมวดหมู่เป็น 0/1 และต่อกับตัวเลขโดย fit ใหม่ในแต่ละ fold เพื่อป้องกันข้อมูลรั่ว।", "kind": "fixed" }, { "parameter": "FoldOneHot.reference", "value": "most frequent; ties: name ascending, stable", "source": "กำหนดคงที่ในโค้ด", "explanation": "ทิ้งระดับที่พบบ่อยที่สุดเพื่อลดคอลัมน์ซ้ำซ้อนและใช้ชื่อเรียงตัดสินเมื่อความถี่เสมอกันตามโค้ด।", "kind": "fixed" }, { "parameter": "FoldOneHot.unseen", "value": "all zeros", "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับที่ไม่เคยพบในแถวฝึกได้ศูนย์ทุกคอลัมน์ตามโค้ดเพื่อให้แปลงข้อมูลใหม่ได้।", "kind": "fixed" }, { "parameter": "split.strategy", "value": "forced-train 1 / brand|model", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้กติกาแบ่งชุดของไฟล์นี้ร่วมกับ TRAIN_SIZE/VAL_SIZE/TEST_SIZE และ SEED ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.shuffle", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "สลับลำดับแถวก่อนแบ่ง fold เพื่อให้กระจายข้อมูล; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มของการแบ่ง fold เพื่อทำผลซ้ำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.scoring", "value": "{'MAE': 'neg_mean_absolute_error', 'RMSE': 'neg_root_mean_squared_error', 'MAPE': 'neg_mean_absolute_percentage_error', 'R2': 'r2', 'leaves': count_leaves_scorer}", "source": "กำหนดคงที่ในโค้ด", "explanation": "ตัววัด CV โดยใช้ MAE หน่วยบาทเลือกผู้ชนะและใช้ใบวัดความซับซ้อน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.refit", "value": "select_1se", "source": "กำหนดคงที่ในโค้ด", "explanation": "ฟังก์ชันเลือกชุดค่าด้วยกฎ 1-SE แล้วฝึกผู้ชนะบน train ทั้งชุด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.return_train_score", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "เก็บคะแนน train เพื่อเทียบกับ CV; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.error_score", "value": "raise", "source": "กำหนดคงที่ในโค้ด", "explanation": "ให้หยุดเมื่อการฝึกเกิดข้อผิดพลาด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.n_jobs", "value": 6, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่ทำพร้อมกัน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.pre_dispatch", "value": 6, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานที่ส่งล่วงหน้าเพื่อคุมหน่วยความจำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.verbose", "value": 0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับข้อความความคืบหน้าของการค้นหา; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "selection.1SE", "value": "min CV MAE + SD(ddof=0)/sqrt(N_FOLDS); min leaves → CV MAE → index", "source": "กำหนดคงที่ในโค้ด", "explanation": "เลือกใบน้อยที่สุดในช่วงหนึ่ง SE จาก MAE ต่ำสุด; DT นับใบบน train ทั้งชุด ส่วน RF/XGB ใช้ค่าเฉลี่ยใบรวมจาก CV ตามโค้ด।", "kind": "fixed" }, { "parameter": "base_score", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ค่าทำนายเริ่มต้น; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "callbacks", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ฟังก์ชันเสริมระหว่างฝึก; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "colsample_bylevel", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "สัดส่วนคอลัมน์ที่สุ่มต่อระดับ; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "colsample_bynode", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "สัดส่วนคอลัมน์ที่สุ่มต่อโหนด; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "device", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "อุปกรณ์ประมวลผล; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "enable_categorical", "value": true, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "การอนุญาตข้อมูลหมวดหมู่แบบ native; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน; pipeline ใช้ FoldOneHot จึงไม่ได้ส่งหมวดหมู่ native।", "kind": "default" }, { "parameter": "feature_types", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ชนิดข้อมูลของตัวแปร; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "feature_weights", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "น้ำหนักในการสุ่มตัวแปร; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "importance_type", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "วิธีสรุปความสำคัญตัวแปร; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "interaction_constraints", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ข้อจำกัดปฏิสัมพันธ์ของตัวแปร; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "max_cat_threshold", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "จำนวนหมวดหมู่สูงสุดที่พิจารณาจุดแบ่ง; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน); pipeline ใช้ FoldOneHot จึงไม่ได้ส่งหมวดหมู่ native।", "kind": "default" }, { "parameter": "max_cat_to_onehot", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "เกณฑ์เลือก one-hot สำหรับข้อมูลหมวดหมู่ native; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน); pipeline ใช้ FoldOneHot จึงไม่ได้ส่งหมวดหมู่ native।", "kind": "default" }, { "parameter": "max_leaves", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "จำนวนใบสูงสุด; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "missing", "value": "NaN", "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ค่าที่ใช้แทนข้อมูลสูญหาย; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน।", "kind": "default" }, { "parameter": "monotone_constraints", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ข้อบังคับทิศทางความสัมพันธ์; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "multi_strategy", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "วิธีเรียนรู้หลายเป้าหมาย; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "num_parallel_tree", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "จำนวนต้นไม้ขนานต่อรอบ; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "sampling_method", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "วิธีสุ่มแถวฝึก; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "scale_pos_weight", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "น้ำหนักสัมพัทธ์ของคลาสบวก; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "validate_parameters", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "การตรวจชื่อพารามิเตอร์; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "verbosity", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ระดับข้อความของ XGBoost; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" } ], "missing": [], "runtime": { "start": "2026-10-26 00:38:39", "end": "2026-10-26 01:11:24", "status": "ok", "seconds": 1965.0 } }, { "run_id": "DT_new_cardb_adj", "notebook": "DT/DT_new_cardb_adj.ipynb", "model": "DT", "dataset": "new_cardb", "variant": "adj", "result": { "run_id": "DT_new_cardb_adj", "model": "DT", "dataset": "new_car_dataset.csv", "variant": "adj", "version": "v5", "features": [ "engine", "mileage", "car_age", "brand", "model", "car_type", "fuel", "gear" ], "train": { "R2": 0.9693675895263726, "RMSE": 114034.94469373493, "MAE": 58412.114936691105, "MAPE": 0.09782522341432497 }, "validation": { "R2": 0.8547211948159092, "RMSE": 253627.55855840436, "MAE": 84203.10330073867, "MAPE": 0.13429568586842552 }, "test": { "R2": 0.885901859241491, "RMSE": 198930.4913469408, "MAE": 76608.07733205233, "MAPE": 0.1226054585373167 }, "best_params": { "ccp_alpha": 7.0248221691964315e-06, "max_depth": null, "min_samples_leaf": 1 } }, "importance": { "run_id": "DT_new_cardb_adj", "permutation": { "engine": { "mean": 206417.15898641967, "std": 9370.441881418483 }, "mileage": { "mean": 27696.08685624103, "std": 2926.764723774851 }, "car_age": { "mean": 176390.71187985796, "std": 4888.958635922793 }, "brand": { "mean": 72906.13710149922, "std": 1767.6645327084098 }, "model": { "mean": 51755.87071177741, "std": 1180.013189629016 }, "car_type": { "mean": 84377.59105655234, "std": 4644.42753042442 }, "fuel": { "mean": 14741.519231212955, "std": 462.1045718528575 }, "gear": { "mean": 5366.39482575267, "std": 513.6113151108943 } }, "model_based": { "engine": 0.26319533726886674, "mileage": 0.05409105305605485, "car_age": 0.3698139638595046, "brand": 0.11492322329464828, "model": 0.08173268510447641, "car_type": 0.09722816833704118, "fuel": 0.01403705109907881, "gear": 0.004978517980329151 } }, "cv": { "mean": 87038.0, "sd": 1968.0, "source": "ตาราง CV train เทียบ validation", "precision": "printed integer baht" }, "cv_tables": [ { "kind": "search_candidates", "rows": [ { "candidate": 144.0, "chosen": "*", "eligible": "yes", "leaves": 1403.0, "rank": 1.0, "max_depth": "None", "min_samples_leaf": 1.0, "ccp_alpha": 7.025e-06, "cv_mae": 87038.0, "cv_mae_sd": 1968.0, "train_mae": 55705.0, "gap": 31333.0 }, { "candidate": 114.0, "chosen": "", "eligible": "yes", "leaves": 2381.0, "rank": 2.0, "max_depth": "None", "min_samples_leaf": 1.0, "ccp_alpha": 3.398e-06, "cv_mae": 87331.0, "cv_mae_sd": 2131.0, "train_mae": 45189.0, "gap": 42142.0 }, { "candidate": 84.0, "chosen": "", "eligible": "", "leaves": "", "rank": 3.0, "max_depth": "None", "min_samples_leaf": 1.0, "ccp_alpha": 1.644e-06, "cv_mae": 89507.0, "cv_mae_sd": 2646.0, "train_mae": 34587.0, "gap": 54921.0 }, { "candidate": 138.0, "chosen": "", "eligible": "", "leaves": "", "rank": 4.0, "max_depth": 25.0, "min_samples_leaf": 1.0, "ccp_alpha": 7.025e-06, "cv_mae": 89514.0, "cv_mae_sd": 2879.0, "train_mae": 57335.0, "gap": 32179.0 }, { "candidate": 174.0, "chosen": "", "eligible": "", "leaves": "", "rank": 5.0, "max_depth": "None", "min_samples_leaf": 1.0, "ccp_alpha": 1.459e-05, "cv_mae": 89799.0, "cv_mae_sd": 2175.0, "train_mae": 66272.0, "gap": 23527.0 }, { "candidate": 108.0, "chosen": "", "eligible": "", "leaves": "", "rank": 6.0, "max_depth": 25.0, "min_samples_leaf": 1.0, "ccp_alpha": 3.398e-06, "cv_mae": 89846.0, "cv_mae_sd": 2906.0, "train_mae": 48124.0, "gap": 41722.0 }, { "candidate": 78.0, "chosen": "", "eligible": "", "leaves": "", "rank": 7.0, "max_depth": 25.0, "min_samples_leaf": 1.0, "ccp_alpha": 1.644e-06, "cv_mae": 91375.0, "cv_mae_sd": 3573.0, "train_mae": 39325.0, "gap": 52050.0 }, { "candidate": 54.0, "chosen": "", "eligible": "", "leaves": "", "rank": 8.0, "max_depth": "None", "min_samples_leaf": 1.0, "ccp_alpha": 7.94e-07, "cv_mae": 91504.0, "cv_mae_sd": 2901.0, "train_mae": 24369.0, "gap": 67136.0 }, { "candidate": 168.0, "chosen": "", "eligible": "", "leaves": "", "rank": 9.0, "max_depth": 25.0, "min_samples_leaf": 1.0, "ccp_alpha": 1.459e-05, "cv_mae": 91786.0, "cv_mae_sd": 3114.0, "train_mae": 67171.0, "gap": 24615.0 }, { "candidate": 132.0, "chosen": "", "eligible": "", "leaves": "", "rank": 10.0, "max_depth": 20.0, "min_samples_leaf": 1.0, "ccp_alpha": 7.025e-06, "cv_mae": 91985.0, "cv_mae_sd": 2433.0, "train_mae": 62083.0, "gap": 29902.0 } ] }, { "kind": "fold_scores", "rows": [ { "": 1.0, "train MAE": 56218.0, "validation MAE": 85612.0, "MAE gap": 29395.0, "gap % of validation MAE": 34.33, "train R2": 0.9719, "validation R2": 0.8958, "R2 gap": 0.0761 }, { "": 2.0, "train MAE": 55240.0, "validation MAE": 89773.0, "MAE gap": 34533.0, "gap % of validation MAE": 38.47, "train R2": 0.9743, "validation R2": 0.8714, "R2 gap": 0.1029 }, { "": 3.0, "train MAE": 55674.0, "validation MAE": 87687.0, "MAE gap": 32013.0, "gap % of validation MAE": 36.51, "train R2": 0.9739, "validation R2": 0.8502, "R2 gap": 0.1237 }, { "": 4.0, "train MAE": 55357.0, "validation MAE": 87998.0, "MAE gap": 32641.0, "gap % of validation MAE": 37.09, "train R2": 0.9749, "validation R2": 0.8538, "R2 gap": 0.1212 }, { "": 5.0, "train MAE": 56037.0, "validation MAE": 84121.0, "MAE gap": 28084.0, "gap % of validation MAE": 33.39, "train R2": 0.9746, "validation R2": 0.8186, "R2 gap": 0.156 }, { "": "mean", "train MAE": 55705.0, "validation MAE": 87038.0, "MAE gap": 31333.0, "gap % of validation MAE": 35.96, "train R2": 0.9739, "validation R2": 0.8579, "R2 gap": 0.116 }, { "": "sd", "train MAE": 377.0, "validation MAE": 1968.0, "MAE gap": 2312.0, "gap % of validation MAE": 1.85, "train R2": 0.0011, "validation R2": 0.0254, "R2 gap": 0.0263 } ] } ], "ablation": [ { "variant": "none", "CV MAE mean": 92680.915239, "CV MAE SD": 5134.867063, "test MAE": 78463.430419, "test RMSE": 168668.506805, "test R2": 0.917975, "test MAPE": 0.135576, "change test MAE (baht)": 0.0, "change test MAE (%)": 0.0, "change CV MAE mean (baht)": 0.0, "change CV MAE mean (%)": 0.0 }, { "variant": "scale only", "CV MAE mean": 92229.63292, "CV MAE SD": 4807.302917, "test MAE": 78486.426699, "test RMSE": 168647.683079, "test R2": 0.917996, "test MAPE": 0.135814, "change test MAE (baht)": 22.99628, "change test MAE (%)": 0.029308, "change CV MAE mean (baht)": -451.28232, "change CV MAE mean (%)": -0.48692 }, { "variant": "log only", "CV MAE mean": 87011.263071, "CV MAE SD": 1939.515556, "test MAE": 76600.611362, "test RMSE": 198928.708118, "test R2": 0.885904, "test MAPE": 0.122501, "change test MAE (baht)": -1862.819057, "change test MAE (%)": -2.374124, "change CV MAE mean (baht)": -5669.652168, "change CV MAE mean (%)": -6.117389 }, { "variant": "both", "CV MAE mean": 87038.074414, "CV MAE SD": 1968.140866, "test MAE": 76608.077332, "test RMSE": 198930.491347, "test R2": 0.885902, "test MAPE": 0.122605, "change test MAE (baht)": -1855.353087, "change test MAE (%)": -2.364609, "change CV MAE mean (baht)": -5642.840825, "change CV MAE mean (%)": -6.08846 } ], "overfit": [ "PASS validation เทียบ CV : ต่างกัน -2,835 บาท (-3.26%) เกณฑ์ ±8,975 บาท (2 SE)", "WARN test เทียบ CV : ต่างกัน -10,430 บาท (-11.98%) เกณฑ์ ±6,979 บาท (2 SE)", "PASS test เทียบ validation : ต่างกัน -7,595 บาท (-9.02%) เกณฑ์ ±11,093 บาท (2 SE)", "PASS learning curve (2,365 -> 23,657 แถว): test MAE 123,155 -> 76,586 บาท, gap 102,570 -> 18,198 บาท (ต้องลดลงทั้งคู่)" ], "plots": { "learning": "img/DT_new_cardb_adj_learning.png", "permutation": "img/DT_new_cardb_adj_permutation.png", "model_based": "img/DT_new_cardb_adj_model_based.png" }, "data": { "rows": 29571, "models": 445, "split": [ { "ชุด": "train", "แถว": 23657.0, "สัดส่วน (%)": 80.0, "จำนวนรุ่น": 445.0 }, { "ชุด": "validation", "แถว": 2957.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 232.0 }, { "ชุด": "test", "แถว": 2957.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 246.0 } ] }, "params": [ { "parameter": "ccp_alpha", "value": 7.0248221691964315e-06, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [0.0, 7.94e-07, 1.644e-06, 3.398e-06, 7.025e-06, 1.459e-05, 3e-05, 6.228e-05])", "explanation": "ความแรงของการตัดกิ่ง; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตัวเลือกจาก ccp path บน train และ CV (ช่วงแสดงตามผลพิมพ์ 4 หลักนัยสำคัญ); ตรวจขอบ: PASS (อยู่ด้านในของ grid)।", "kind": "tuned", "search_range": [ 0.0, 7.94e-07, 1.644e-06, 3.398e-06, 7.025e-06, 1.459e-05, 3e-05, 6.228e-05 ], "grid_edge": "PASS (อยู่ด้านในของ grid)", "candidate_source": "เลือกจาก ccp path" }, { "parameter": "max_depth", "value": null, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [10, 15, 20, 25, null])", "explanation": "ความลึกสูงสุดของต้นไม้; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (อยู่ที่ขอบธรรมชาติ ขยายต่อไม่ได้)।", "kind": "tuned", "search_range": [ 10, 15, 20, 25, null ], "grid_edge": "PASS (อยู่ที่ขอบธรรมชาติ ขยายต่อไม่ได้)", "candidate_source": "PARAM_GRID" }, { "parameter": "min_samples_leaf", "value": 1, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [1, 5, 7, 9, 12, 15])", "explanation": "จำนวนแถวขั้นต่ำต่อใบ; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (อยู่ที่ขอบธรรมชาติ ขยายต่อไม่ได้)।", "kind": "tuned", "search_range": [ 1, 5, 7, 9, 12, 15 ], "grid_edge": "PASS (อยู่ที่ขอบธรรมชาติ ขยายต่อไม่ได้)", "candidate_source": "PARAM_GRID" }, { "parameter": "criterion", "value": "squared_error", "source": "กำหนดคงที่ในโค้ด", "explanation": "วัดคุณภาพการแตกกิ่งด้วย MSE (ค่าเริ่มต้น เหมาะกับการทายราคา); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_features", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ทุกการแตกกิ่งเห็นตัวแปรครบ (ใช้กับต้นไม้ต้นเดียวได้ แต่ยังไม่ได้ทดสอบ); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_leaf_nodes", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนใบสูงสุด None = ไม่จำกัด (ยังไม่ได้ทดสอบขีดจำกัดนี้); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_impurity_decrease", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "แตกกิ่งได้แม้ลด error น้อย (ยังไม่ได้ทดสอบเกณฑ์นี้); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_samples_split", "value": 2, "source": "กำหนดคงที่ในโค้ด", "explanation": "รถขั้นต่ำในโหนดก่อนแตกกิ่ง (ค่าเริ่มต้น ยังไม่ได้ทดสอบการปรับ); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_weight_fraction_leaf", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนน้ำหนักขั้นต่ำต่อใบ 0 = ไม่ใช้ (ทุกแถวน้ำหนักเท่ากัน); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "monotonic_cst", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่บังคับทิศทางความสัมพันธ์ของตัวแปรกับราคา; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มคงที่ ใช้ตัดสินกรณีจุดตัดดีเท่ากัน ให้ผลซ้ำได้; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "splitter", "value": "best", "source": "กำหนดคงที่ในโค้ด", "explanation": "ลองทุกจุดตัดแล้วเลือกจุดที่ดีที่สุด ไม่สุ่ม; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "SEED", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มกลาง ใช้ทุกที่ที่มีการสุ่ม เพื่อให้ผลซ้ำได้।", "kind": "fixed" }, { "parameter": "N_FOLDS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน fold ของ cross-validation।", "kind": "fixed" }, { "parameter": "NUM_COLS", "value": [ "engine", "mileage", "car_age" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ตัวเลข।", "kind": "fixed" }, { "parameter": "CAT_COLS", "value": [ "brand", "model", "car_type", "fuel", "gear" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ประเภทกลุ่ม।", "kind": "fixed" }, { "parameter": "DATA_SHA256", "value": "04574b158eecae7a353528c575f19a14c542bdd379368fc756829446cf68d412", "source": "กำหนดคงที่ในโค้ด", "explanation": "ลายนิ้วมือไฟล์ข้อมูล।", "kind": "fixed" }, { "parameter": "MODEL_NAME", "value": "DT", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อโมเดล ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "VERSION", "value": "v5", "source": "กำหนดคงที่ในโค้ด", "explanation": "เวอร์ชันของวิธีฝึก ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "CURRENT_YEAR", "value": 2026, "source": "กำหนดคงที่ในโค้ด", "explanation": "ปีที่เก็บข้อมูล ใช้คำนวณ car_age = CURRENT_YEAR - year।", "kind": "fixed" }, { "parameter": "TRAIN_SIZE", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "VAL_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "TEST_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "MIN_LEAVES", "value": 20, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนใบขั้นต่ำที่ยอมรับตอนเลือก ccp_alpha (heuristic)।", "kind": "fixed" }, { "parameter": "CCP_N_CANDIDATES", "value": 20, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนค่า ccp_alpha ที่คัดมาลอง (heuristic)।", "kind": "fixed" }, { "parameter": "CCP_NEIGHBOURS", "value": 3, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนค่าข้างเคียงที่เพิ่มรอบค่าที่เลือก (heuristic)।", "kind": "fixed" }, { "parameter": "LC_FRACTIONS", "value": [ 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วน train ที่ใช้วาด learning curve: 10% ถึง 100%।", "kind": "fixed" }, { "parameter": "LC_REPEATS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนรอบสุ่มซ้ำของ learning curve ต่อหนึ่งสัดส่วน।", "kind": "fixed" }, { "parameter": "SEARCH_JOBS", "value": 8, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่รันพร้อมกันใน GridSearchCV (SEARCH_JOBS x MODEL_THREADS ไม่เกิน 20)।", "kind": "fixed" }, { "parameter": "MODEL_THREADS", "value": 1, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ของไลบรารีคำนวณภายในแต่ละงาน (DT ฝึกด้วย thread เดียวอยู่แล้ว)।", "kind": "fixed" }, { "parameter": "MAE_AXIS", "value": [ 20000, 90000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน MAE (บาท) ของ learning curve และ validation curve ครอบทุกโมเดล।", "kind": "fixed" }, { "parameter": "R2_AXIS", "value": [ 0.8, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน R² ของ learning curve।", "kind": "fixed" }, { "parameter": "ROWS_AXIS", "value": [ 0, 40000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของ learning curve: จำนวนแถวฝึก (ทุกโมเดลฝึกบนข้อมูลชุดเดียวกัน)।", "kind": "fixed" }, { "parameter": "FOLD_AXIS", "value": [ -0.5, 4.5 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของกราฟแท่งราย fold: ตำแหน่ง 0..4 (ต้องสัมพันธ์กับ N_FOLDS = 5)।", "kind": "fixed" }, { "parameter": "MAE_BAR_AXIS", "value": [ 0, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟแท่ง MAE ต่อ fold: แท่งต้องเริ่มที่ 0 จึงแยกจาก MAE_AXIS।", "kind": "fixed" }, { "parameter": "MAE_CCP_AXIS", "value": [ 50000, 130000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ ccp_alpha (เฉพาะ DT): ฝั่ง alpha สูงเกิน MAE_AXIS จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_OOB_AXIS", "value": [ 52000, 54000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ OOB (เฉพาะ RF): เส้นแบนมาก ถ้าใช้ MAE_AXIS เส้นจะเป็นขีดตรง จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_ROUND_AXIS", "value": [ 30000, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟรายรอบ (เฉพาะ XGB): ตัดรอบแรกๆ ที่ MAE สูงมากทิ้งเหมือนเดิม จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "RUN_ID", "value": "DT_new_cardb_adj", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อการทดลอง; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "DATASET", "value": "new_car_dataset.csv", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อชุดข้อมูล; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "VARIANT", "value": "adj", "source": "กำหนดคงที่ในโค้ด", "explanation": "รูปแบบ base หรือ adj; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "MAX_CAR_AGE", "value": 25, "source": "กำหนดคงที่ในโค้ด", "explanation": "อายุรถสูงสุดที่ยอมรับในการกรองข้อมูล; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "MODEL_ALIASES", "value": { "ALTIS": "COROLLAALTIS", "NP300NAVARA": "NAVARA" }, "source": "กำหนดคงที่ในโค้ด", "explanation": "กฎรวมชื่อรุ่นที่สะกดต่างกัน; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "PERM_AXIS", "value": [ 0, 150000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนกราฟ permutation importance; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "SHARE_AXIS", "value": [ 0, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนสัดส่วนความสำคัญตัวแปร; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "ccp_alpha.candidates", "value": [ 0.0, 7.94e-07, 1.644e-06, 3.398e-06, 7.025e-06, 1.459e-05, 3e-05, 6.228e-05 ], "source": "เลือกจาก ccp path", "explanation": "เลือก alpha บวกบนสเกล log ที่ต้นไม้ยังเกิน MIN_LEAVES แล้วใช้ CV คัดเพื่อนบ้าน CCP_NEIGHBOURS พร้อมเพิ่ม 0 ก่อนค้น grid; ค่าตัวเลือกแสดงตามผลพิมพ์ 4 หลักนัยสำคัญ।", "kind": "fixed" }, { "parameter": "pipeline.target_transform", "value": "np.log / np.exp", "source": "กำหนดคงที่ในโค้ด", "explanation": "แปลงราคา log แล้วคืนด้วย exp ก่อนวัดผลเป็นบาท; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "FoldOneHot.scale_numeric", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "กำหนดว่าจะปรับสเกลเฉพาะตัวเลขในแต่ละ fold หรือไม่ตาม pipeline; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "scaler", "value": "(x - mean_train_fold) / std_train_fold; ddof=0; std=0 → 1", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้ mean/std จากแถวฝึกของแต่ละ fold เท่านั้นและไม่ scale dummy ตามโค้ดเพื่อป้องกันข้อมูลรั่ว।", "kind": "fixed" }, { "parameter": "encoder", "value": "FoldOneHot; numeric=float; dummy=float; dense", "source": "กำหนดคงที่ในโค้ด", "explanation": "แปลงหมวดหมู่เป็น 0/1 และต่อกับตัวเลขโดย fit ใหม่ในแต่ละ fold เพื่อป้องกันข้อมูลรั่ว।", "kind": "fixed" }, { "parameter": "FoldOneHot.reference", "value": "most frequent; ties: name ascending, stable", "source": "กำหนดคงที่ในโค้ด", "explanation": "ทิ้งระดับที่พบบ่อยที่สุดเพื่อลดคอลัมน์ซ้ำซ้อนและใช้ชื่อเรียงตัดสินเมื่อความถี่เสมอกันตามโค้ด।", "kind": "fixed" }, { "parameter": "FoldOneHot.unseen", "value": "all zeros", "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับที่ไม่เคยพบในแถวฝึกได้ศูนย์ทุกคอลัมน์ตามโค้ดเพื่อให้แปลงข้อมูลใหม่ได้।", "kind": "fixed" }, { "parameter": "split.strategy", "value": "forced-train 1 / brand|model", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้กติกาแบ่งชุดของไฟล์นี้ร่วมกับ TRAIN_SIZE/VAL_SIZE/TEST_SIZE และ SEED ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.shuffle", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "สลับลำดับแถวก่อนแบ่ง fold เพื่อให้กระจายข้อมูล; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มของการแบ่ง fold เพื่อทำผลซ้ำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.scoring", "value": { "MAE": "neg_mean_absolute_error", "RMSE": "neg_root_mean_squared_error", "MAPE": "neg_mean_absolute_percentage_error", "R2": "r2" }, "source": "กำหนดคงที่ในโค้ด", "explanation": "ตัววัด CV โดยใช้ MAE หน่วยบาทเลือกผู้ชนะและใช้ใบวัดความซับซ้อน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.refit", "value": "refit_1se", "source": "กำหนดคงที่ในโค้ด", "explanation": "ฟังก์ชันเลือกชุดค่าด้วยกฎ 1-SE แล้วฝึกผู้ชนะบน train ทั้งชุด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.return_train_score", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "เก็บคะแนน train เพื่อเทียบกับ CV; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.error_score", "value": "raise", "source": "กำหนดคงที่ในโค้ด", "explanation": "ให้หยุดเมื่อการฝึกเกิดข้อผิดพลาด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.n_jobs", "value": 8, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่ทำพร้อมกัน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.pre_dispatch", "value": 8, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานที่ส่งล่วงหน้าเพื่อคุมหน่วยความจำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.verbose", "value": 0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับข้อความความคืบหน้าของการค้นหา; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "selection.1SE", "value": "min CV MAE + SD(ddof=0)/sqrt(N_FOLDS); min leaves → CV MAE → index", "source": "กำหนดคงที่ในโค้ด", "explanation": "เลือกใบน้อยที่สุดในช่วงหนึ่ง SE จาก MAE ต่ำสุด; DT นับใบบน train ทั้งชุด ส่วน RF/XGB ใช้ค่าเฉลี่ยใบรวมจาก CV ตามโค้ด।", "kind": "fixed" }, { "parameter": "target.check_inverse", "value": true, "source": "ค่าเริ่มต้นของไลบรารี (sklearn 1.9.1)", "explanation": "ตรวจว่าฟังก์ชันแปลงและแปลงกลับสอดคล้องกัน; คงค่าเริ่มต้นโดยไม่ได้ปรับจูน।", "kind": "default" }, { "parameter": "target.transformer", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (sklearn 1.9.1)", "explanation": "ตัวแปลงเป้าหมายแบบ estimator ซึ่งไม่ได้ส่งเพราะใช้คู่ฟังก์ชัน log/exp; คงค่าเริ่มต้นโดยไม่ได้ปรับจูน।", "kind": "default" } ], "missing": [], "runtime": { "start": "2026-10-26 01:11:24", "end": "2026-10-26 01:20:38", "status": "ok", "seconds": 553.0 } }, { "run_id": "RF_new_cardb_adj", "notebook": "RF/RF_new_cardb_adj.ipynb", "model": "RF", "dataset": "new_cardb", "variant": "adj", "result": { "run_id": "RF_new_cardb_adj", "model": "RF", "dataset": "new_car_dataset.csv", "variant": "adj", "version": "v5", "features": [ "engine", "mileage", "car_age", "brand", "model", "car_type", "fuel", "gear" ], "train": { "R2": 0.9811698242005582, "RMSE": 89407.62470615542, "MAE": 31367.01630754708, "MAPE": 0.04867676161210098 }, "validation": { "R2": 0.9053901063245325, "RMSE": 204674.429560051, "MAE": 71727.91526026257, "MAPE": 0.11593283422186697 }, "test": { "R2": 0.9343108185309764, "RMSE": 150941.61647783904, "MAE": 66012.85894907241, "MAPE": 0.11202098600537153 }, "best_params": { "max_features": 0.6, "min_samples_leaf": 1 } }, "importance": { "run_id": "RF_new_cardb_adj", "permutation": { "engine": { "mean": 192404.5932458779, "std": 6244.448146673168 }, "mileage": { "mean": 35665.95636183845, "std": 2136.7631535480923 }, "car_age": { "mean": 165183.77535836535, "std": 3808.861154257736 }, "brand": { "mean": 70368.56270557031, "std": 1696.5387576222058 }, "model": { "mean": 34262.76259624234, "std": 511.43537263556425 }, "car_type": { "mean": 60426.726066579795, "std": 2906.0902912634187 }, "fuel": { "mean": 19655.12331941716, "std": 1505.8182261101658 }, "gear": { "mean": 8778.275509833627, "std": 1003.8570262684095 } }, "model_based": { "engine": 0.22712970361893162, "mileage": 0.0718553401882515, "car_age": 0.34552761576919755, "brand": 0.12129616607314557, "model": 0.08681557538554131, "car_type": 0.08567244245265397, "fuel": 0.04458484852296703, "gear": 0.01711830798931137 } }, "cv": { "mean": 76110.0, "sd": 2201.0, "source": "ตาราง CV train เทียบ validation", "precision": "printed integer baht" }, "cv_tables": [ { "kind": "search_candidates", "rows": [ { "candidate": 0.0, "chosen": "", "eligible": "yes", "leaves": 3247497.0, "rank": 1.0, "max_features": 0.2, "min_samples_leaf": 1.0, "cv_mae": 75370.0, "cv_mae_sd": 2021.0, "train_mae": 31589.0, "gap": 43781.0 }, { "candidate": 6.0, "chosen": "", "eligible": "yes", "leaves": 3244330.0, "rank": 2.0, "max_features": 0.3, "min_samples_leaf": 1.0, "cv_mae": 75615.0, "cv_mae_sd": 2280.0, "train_mae": 31634.0, "gap": 43981.0 }, { "candidate": 12.0, "chosen": "", "eligible": "yes", "leaves": 3241190.0, "rank": 3.0, "max_features": 0.4, "min_samples_leaf": 1.0, "cv_mae": 75760.0, "cv_mae_sd": 2229.0, "train_mae": 31656.0, "gap": 44104.0 }, { "candidate": 18.0, "chosen": "", "eligible": "yes", "leaves": 3237544.0, "rank": 4.0, "max_features": 0.5, "min_samples_leaf": 1.0, "cv_mae": 76045.0, "cv_mae_sd": 2130.0, "train_mae": 31692.0, "gap": 44354.0 }, { "candidate": 24.0, "chosen": "*", "eligible": "yes", "leaves": 3233630.0, "rank": 5.0, "max_features": 0.6, "min_samples_leaf": 1.0, "cv_mae": 76110.0, "cv_mae_sd": 2201.0, "train_mae": 31726.0, "gap": 44384.0 }, { "candidate": 30.0, "chosen": "", "eligible": "", "leaves": 3224762.0, "rank": 6.0, "max_features": 0.8, "min_samples_leaf": 1.0, "cv_mae": 76524.0, "cv_mae_sd": 1999.0, "train_mae": 31755.0, "gap": 44769.0 }, { "candidate": 36.0, "chosen": "", "eligible": "", "leaves": 3212863.0, "rank": 7.0, "max_features": 1.0, "min_samples_leaf": 1.0, "cv_mae": 77281.0, "cv_mae_sd": 1812.0, "train_mae": 32034.0, "gap": 45247.0 }, { "candidate": 13.0, "chosen": "", "eligible": "", "leaves": 1286208.0, "rank": 8.0, "max_features": 0.4, "min_samples_leaf": 2.0, "cv_mae": 77885.0, "cv_mae_sd": 2731.0, "train_mae": 52661.0, "gap": 25224.0 }, { "candidate": 19.0, "chosen": "", "eligible": "", "leaves": 1343939.0, "rank": 9.0, "max_features": 0.5, "min_samples_leaf": 2.0, "cv_mae": 77966.0, "cv_mae_sd": 2671.0, "train_mae": 51110.0, "gap": 26855.0 }, { "candidate": 7.0, "chosen": "", "eligible": "", "leaves": 1199338.0, "rank": 10.0, "max_features": 0.3, "min_samples_leaf": 2.0, "cv_mae": 78093.0, "cv_mae_sd": 2779.0, "train_mae": 55032.0, "gap": 23061.0 } ] }, { "kind": "fold_scores", "rows": [ { "": 1.0, "train MAE": 31966.0, "validation MAE": 75730.0, "MAE gap": 43765.0, "gap % of validation MAE": 57.79, "train R2": 0.9785, "validation R2": 0.9196, "R2 gap": 0.059 }, { "": 2.0, "train MAE": 31799.0, "validation MAE": 79033.0, "MAE gap": 47234.0, "gap % of validation MAE": 59.76, "train R2": 0.9774, "validation R2": 0.8969, "R2 gap": 0.0805 }, { "": 3.0, "train MAE": 31547.0, "validation MAE": 76437.0, "MAE gap": 44890.0, "gap % of validation MAE": 58.73, "train R2": 0.9794, "validation R2": 0.9084, "R2 gap": 0.071 }, { "": 4.0, "train MAE": 31480.0, "validation MAE": 77051.0, "MAE gap": 45571.0, "gap % of validation MAE": 59.14, "train R2": 0.9814, "validation R2": 0.8932, "R2 gap": 0.0883 }, { "": 5.0, "train MAE": 31838.0, "validation MAE": 72298.0, "MAE gap": 40461.0, "gap % of validation MAE": 55.96, "train R2": 0.9814, "validation R2": 0.8898, "R2 gap": 0.0916 }, { "": "mean", "train MAE": 31726.0, "validation MAE": 76110.0, "MAE gap": 44384.0, "gap % of validation MAE": 58.28, "train R2": 0.9796, "validation R2": 0.9015, "R2 gap": 0.0781 }, { "": "sd", "train MAE": 183.0, "validation MAE": 2201.0, "MAE gap": 2261.0, "gap % of validation MAE": 1.32, "train R2": 0.0016, "validation R2": 0.011, "R2 gap": 0.0119 } ] } ], "ablation": [ { "variant": "none", "CV MAE mean": 74802.73172, "CV MAE SD": 2646.115622, "test MAE": 65503.995544, "test RMSE": 134859.098191, "test R2": 0.947563, "test MAPE": 0.113592, "change test MAE (baht)": 0.0, "change test MAE (%)": 0.0, "change CV MAE mean (baht)": 0.0, "change CV MAE mean (%)": 0.0 }, { "variant": "scale only", "CV MAE mean": 74755.950334, "CV MAE SD": 2569.462097, "test MAE": 65740.559298, "test RMSE": 135586.037981, "test R2": 0.946996, "test MAPE": 0.113595, "change test MAE (baht)": 236.563754, "change test MAE (%)": 0.361144, "change CV MAE mean (baht)": -46.781387, "change CV MAE mean (%)": -0.06254 }, { "variant": "log only", "CV MAE mean": 76105.774904, "CV MAE SD": 2210.672714, "test MAE": 65916.771741, "test RMSE": 150467.493423, "test R2": 0.934723, "test MAPE": 0.112002, "change test MAE (baht)": 412.776197, "change test MAE (%)": 0.630154, "change CV MAE mean (baht)": 1303.043183, "change CV MAE mean (%)": 1.741973 }, { "variant": "both", "CV MAE mean": 76110.107515, "CV MAE SD": 2200.545945, "test MAE": 66012.858949, "test RMSE": 150941.616478, "test R2": 0.934311, "test MAPE": 0.112021, "change test MAE (baht)": 508.863405, "change test MAE (%)": 0.776843, "change CV MAE mean (baht)": 1307.375794, "change CV MAE mean (%)": 1.747765 } ], "overfit": [ "PASS validation เทียบ CV : ต่างกัน -4,382 บาท (-5.76%) เกณฑ์ ±7,321 บาท (2 SE)", "WARN test เทียบ CV : ต่างกัน -10,097 บาท (-13.27%) เกณฑ์ ±5,367 บาท (2 SE)", "PASS validation เทียบ OOB : ต่างกัน -2,322 บาท (-3.14%) เกณฑ์ ±7,429 บาท (2 SE)", "WARN test เทียบ OOB : ต่างกัน -8,037 บาท (-10.85%) เกณฑ์ ±5,514 บาท (2 SE)", "PASS test เทียบ validation : ต่างกัน -5,715 บาท (-7.97%) เกณฑ์ ±8,640 บาท (2 SE)", "PASS learning curve (2,365 -> 23,657 แถว): test MAE 91,156 -> 66,012 บาท, gap 48,765 -> 34,595 บาท (ต้องลดลงทั้งคู่)" ], "plots": { "learning": "img/RF_new_cardb_adj_learning.png", "permutation": "img/RF_new_cardb_adj_permutation.png", "model_based": "img/RF_new_cardb_adj_model_based.png" }, "data": { "rows": 29571, "models": 445, "split": [ { "ชุด": "train", "แถว": 23657.0, "สัดส่วน (%)": 80.0, "จำนวนรุ่น": 445.0 }, { "ชุด": "validation", "แถว": 2957.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 232.0 }, { "ชุด": "test", "แถว": 2957.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 246.0 } ] }, "params": [ { "parameter": "max_features", "value": 0.6, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [0.2, 0.3, 0.4, 0.5, 0.6, 0.8, 1.0])", "explanation": "จำนวนหรือสัดส่วนตัวแปรที่ใช้เลือกจุดแตกกิ่ง; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (อยู่ด้านในของ grid)।", "kind": "tuned", "search_range": [ 0.2, 0.3, 0.4, 0.5, 0.6, 0.8, 1.0 ], "grid_edge": "PASS (อยู่ด้านในของ grid)", "candidate_source": "PARAM_GRID" }, { "parameter": "min_samples_leaf", "value": 1, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [1, 2, 3, 4, 6, 8])", "explanation": "จำนวนแถวขั้นต่ำต่อใบ; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (อยู่ที่ขอบธรรมชาติ ขยายต่อไม่ได้)।", "kind": "tuned", "search_range": [ 1, 2, 3, 4, 6, 8 ], "grid_edge": "PASS (อยู่ที่ขอบธรรมชาติ ขยายต่อไม่ได้)", "candidate_source": "PARAM_GRID" }, { "parameter": "bootstrap", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "แต่ละต้นฝึกด้วยแถวที่สุ่มแบบหยิบแล้วใส่คืน (หัวใจของป่าสุ่ม และจำเป็นต่อ OOB); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "ccp_alpha", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่ตัดกิ่ง ป่าคุมความซับซ้อนด้วยการเฉลี่ยหลายต้นและ min_samples_leaf; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "criterion", "value": "squared_error", "source": "กำหนดคงที่ในโค้ด", "explanation": "วัดคุณภาพการแตกกิ่งด้วย MSE (ค่าเริ่มต้น เร็ว เหมาะกับการทายราคา); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_depth", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ความลึกสูงสุด None = ไม่จำกัด ขนาดต้นไม้คุมด้วย min_samples_leaf แทน; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_leaf_nodes", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนใบสูงสุด None = ไม่จำกัด (ยังไม่ได้ทดสอบขีดจำกัดนี้); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_samples", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "bootstrap มีขนาดเท่าแถวฝึกทั้งหมด (pilot: ขนาดเล็กลงทำให้ MAE แย่ลง); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_impurity_decrease", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "แตกกิ่งได้แม้ลด error น้อย (ยังไม่ได้ทดสอบเกณฑ์นี้); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_samples_split", "value": 2, "source": "กำหนดคงที่ในโค้ด", "explanation": "รถขั้นต่ำในโหนดก่อนแตกกิ่ง (ค่าเริ่มต้น ยังไม่ได้ทดสอบการปรับ); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_weight_fraction_leaf", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนน้ำหนักขั้นต่ำต่อใบ 0 = ไม่ใช้ (ทุกแถวน้ำหนักเท่ากัน); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "monotonic_cst", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่บังคับทิศทางความสัมพันธ์ของตัวแปรกับราคา; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "n_estimators", "value": 300, "source": "กราฟ OOB", "explanation": "จำนวนต้นไม้ ตั้งตายตัวตรงที่ OOB error แบนแล้ว (เซลล์ [03]); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "n_jobs", "value": 20, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ที่ใช้ฝึกและทายพร้อมกัน (เซลล์ [03]); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "oob_score", "value": false, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่คำนวณ OOB ระหว่าง grid search เพื่อประหยัดเวลา (เซลล์ [38] เปิดเอง); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มคงที่ ทั้ง bootstrap และการสุ่ม feature ให้ผลซ้ำได้; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "verbose", "value": 0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่พิมพ์ความคืบหน้าระหว่างฝึก; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "warm_start", "value": false, "source": "กำหนดคงที่ในโค้ด", "explanation": "ฝึกใหม่ทั้งป่าทุกครั้ง (เซลล์ [38] เปิดเพื่อเพิ่มต้นไม้ทีละช่วง); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "SEED", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มกลาง ใช้ทุกที่ที่มีการสุ่ม เพื่อให้ผลซ้ำได้।", "kind": "fixed" }, { "parameter": "N_FOLDS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน fold ของ cross-validation।", "kind": "fixed" }, { "parameter": "NUM_COLS", "value": [ "engine", "mileage", "car_age" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ตัวเลข।", "kind": "fixed" }, { "parameter": "CAT_COLS", "value": [ "brand", "model", "car_type", "fuel", "gear" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ประเภทกลุ่ม।", "kind": "fixed" }, { "parameter": "DATA_SHA256", "value": "04574b158eecae7a353528c575f19a14c542bdd379368fc756829446cf68d412", "source": "กำหนดคงที่ในโค้ด", "explanation": "ลายนิ้วมือไฟล์ข้อมูล।", "kind": "fixed" }, { "parameter": "MODEL_NAME", "value": "RF", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อโมเดล ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "VERSION", "value": "v5", "source": "กำหนดคงที่ในโค้ด", "explanation": "เวอร์ชันของวิธีฝึก ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "CURRENT_YEAR", "value": 2026, "source": "กำหนดคงที่ในโค้ด", "explanation": "ปีที่เก็บข้อมูล ใช้คำนวณ car_age = CURRENT_YEAR - year।", "kind": "fixed" }, { "parameter": "TRAIN_SIZE", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "VAL_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "TEST_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "N_TREES", "value": 300, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนต้นไม้ในป่า (n_estimators) ตั้งตายตัว ไม่ปรับใน grid।", "kind": "fixed" }, { "parameter": "OOB_TREE_COUNTS", "value": [ 50, 100, 150, 200, 300, 400, 600, 800, 1000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนต้นที่วัด OOB error।", "kind": "fixed" }, { "parameter": "LC_FRACTIONS", "value": [ 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วน train ที่ใช้วาด learning curve: 10% ถึง 100%।", "kind": "fixed" }, { "parameter": "LC_REPEATS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนรอบสุ่มซ้ำของ learning curve ต่อหนึ่งสัดส่วน।", "kind": "fixed" }, { "parameter": "SEARCH_JOBS", "value": 1, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่รันพร้อมกันใน GridSearchCV (1 = ทีละโมเดล ประหยัดหน่วยความจำ)।", "kind": "fixed" }, { "parameter": "MODEL_THREADS", "value": 20, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ที่ป่าใช้ฝึกและทายพร้อมกัน (n_jobs ของ RandomForestRegressor)।", "kind": "fixed" }, { "parameter": "MAE_AXIS", "value": [ 20000, 90000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน MAE (บาท) ของ learning curve และ validation curve ครอบทุกโมเดล।", "kind": "fixed" }, { "parameter": "R2_AXIS", "value": [ 0.8, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน R² ของ learning curve।", "kind": "fixed" }, { "parameter": "ROWS_AXIS", "value": [ 0, 40000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของ learning curve: จำนวนแถวฝึก (ทุกโมเดลฝึกบนข้อมูลชุดเดียวกัน)।", "kind": "fixed" }, { "parameter": "FOLD_AXIS", "value": [ -0.5, 4.5 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของกราฟแท่งราย fold: ตำแหน่ง 0..4 (ต้องสัมพันธ์กับ N_FOLDS = 5)।", "kind": "fixed" }, { "parameter": "MAE_BAR_AXIS", "value": [ 0, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟแท่ง MAE ต่อ fold: แท่งต้องเริ่มที่ 0 จึงแยกจาก MAE_AXIS।", "kind": "fixed" }, { "parameter": "MAE_CCP_AXIS", "value": [ 50000, 130000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ ccp_alpha (เฉพาะ DT): ฝั่ง alpha สูงเกิน MAE_AXIS จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_OOB_AXIS", "value": [ 52000, 54000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ OOB (เฉพาะ RF): เส้นแบนมาก ถ้าใช้ MAE_AXIS เส้นจะเป็นขีดตรง จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_ROUND_AXIS", "value": [ 30000, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟรายรอบ (เฉพาะ XGB): ตัดรอบแรกๆ ที่ MAE สูงมากทิ้งเหมือนเดิม จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "RUN_ID", "value": "RF_new_cardb_adj", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อการทดลอง; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "DATASET", "value": "new_car_dataset.csv", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อชุดข้อมูล; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "VARIANT", "value": "adj", "source": "กำหนดคงที่ในโค้ด", "explanation": "รูปแบบ base หรือ adj; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "MAX_CAR_AGE", "value": 25, "source": "กำหนดคงที่ในโค้ด", "explanation": "อายุรถสูงสุดที่ยอมรับในการกรองข้อมูล; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "MODEL_ALIASES", "value": { "ALTIS": "COROLLAALTIS", "NP300NAVARA": "NAVARA" }, "source": "กำหนดคงที่ในโค้ด", "explanation": "กฎรวมชื่อรุ่นที่สะกดต่างกัน; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "PERM_AXIS", "value": [ 0, 150000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนกราฟ permutation importance; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "SHARE_AXIS", "value": [ 0, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนสัดส่วนความสำคัญตัวแปร; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "pipeline.target_transform", "value": "np.log / np.exp", "source": "กำหนดคงที่ในโค้ด", "explanation": "แปลงราคา log แล้วคืนด้วย exp ก่อนวัดผลเป็นบาท; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "FoldOneHot.scale_numeric", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "กำหนดว่าจะปรับสเกลเฉพาะตัวเลขในแต่ละ fold หรือไม่ตาม pipeline; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "scaler", "value": "(x - mean_train_fold) / std_train_fold; ddof=0; std=0 → 1", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้ mean/std จากแถวฝึกของแต่ละ fold เท่านั้นและไม่ scale dummy ตามโค้ดเพื่อป้องกันข้อมูลรั่ว।", "kind": "fixed" }, { "parameter": "encoder", "value": "FoldOneHot; numeric=float; dummy=float; dense", "source": "กำหนดคงที่ในโค้ด", "explanation": "แปลงหมวดหมู่เป็น 0/1 และต่อกับตัวเลขโดย fit ใหม่ในแต่ละ fold เพื่อป้องกันข้อมูลรั่ว।", "kind": "fixed" }, { "parameter": "FoldOneHot.reference", "value": "most frequent; ties: name ascending, stable", "source": "กำหนดคงที่ในโค้ด", "explanation": "ทิ้งระดับที่พบบ่อยที่สุดเพื่อลดคอลัมน์ซ้ำซ้อนและใช้ชื่อเรียงตัดสินเมื่อความถี่เสมอกันตามโค้ด।", "kind": "fixed" }, { "parameter": "FoldOneHot.unseen", "value": "all zeros", "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับที่ไม่เคยพบในแถวฝึกได้ศูนย์ทุกคอลัมน์ตามโค้ดเพื่อให้แปลงข้อมูลใหม่ได้।", "kind": "fixed" }, { "parameter": "split.strategy", "value": "forced-train 1 / brand|model", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้กติกาแบ่งชุดของไฟล์นี้ร่วมกับ TRAIN_SIZE/VAL_SIZE/TEST_SIZE และ SEED ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.shuffle", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "สลับลำดับแถวก่อนแบ่ง fold เพื่อให้กระจายข้อมูล; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มของการแบ่ง fold เพื่อทำผลซ้ำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.scoring", "value": "{'MAE': 'neg_mean_absolute_error', 'RMSE': 'neg_root_mean_squared_error', 'MAPE': 'neg_mean_absolute_percentage_error', 'R2': 'r2', 'leaves': count_leaves_scorer}", "source": "กำหนดคงที่ในโค้ด", "explanation": "ตัววัด CV โดยใช้ MAE หน่วยบาทเลือกผู้ชนะและใช้ใบวัดความซับซ้อน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.refit", "value": "select_1se", "source": "กำหนดคงที่ในโค้ด", "explanation": "ฟังก์ชันเลือกชุดค่าด้วยกฎ 1-SE แล้วฝึกผู้ชนะบน train ทั้งชุด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.return_train_score", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "เก็บคะแนน train เพื่อเทียบกับ CV; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.error_score", "value": "raise", "source": "กำหนดคงที่ในโค้ด", "explanation": "ให้หยุดเมื่อการฝึกเกิดข้อผิดพลาด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.n_jobs", "value": 1, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่ทำพร้อมกัน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.pre_dispatch", "value": 1, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานที่ส่งล่วงหน้าเพื่อคุมหน่วยความจำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.verbose", "value": 0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับข้อความความคืบหน้าของการค้นหา; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "selection.1SE", "value": "min CV MAE + SD(ddof=0)/sqrt(N_FOLDS); min leaves → CV MAE → index", "source": "กำหนดคงที่ในโค้ด", "explanation": "เลือกใบน้อยที่สุดในช่วงหนึ่ง SE จาก MAE ต่ำสุด; DT นับใบบน train ทั้งชุด ส่วน RF/XGB ใช้ค่าเฉลี่ยใบรวมจาก CV ตามโค้ด।", "kind": "fixed" }, { "parameter": "target.check_inverse", "value": true, "source": "ค่าเริ่มต้นของไลบรารี (sklearn 1.9.1)", "explanation": "ตรวจว่าฟังก์ชันแปลงและแปลงกลับสอดคล้องกัน; คงค่าเริ่มต้นโดยไม่ได้ปรับจูน।", "kind": "default" }, { "parameter": "target.transformer", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (sklearn 1.9.1)", "explanation": "ตัวแปลงเป้าหมายแบบ estimator ซึ่งไม่ได้ส่งเพราะใช้คู่ฟังก์ชัน log/exp; คงค่าเริ่มต้นโดยไม่ได้ปรับจูน।", "kind": "default" } ], "missing": [], "runtime": { "start": "2026-10-26 01:20:38", "end": "2026-10-26 01:47:16", "status": "ok", "seconds": 1598.0 } }, { "run_id": "XGB_new_cardb_adj", "notebook": "XGB/XGB_new_cardb_adj.ipynb", "model": "XGB", "dataset": "new_cardb", "variant": "adj", "result": { "run_id": "XGB_new_cardb_adj", "model": "XGB", "dataset": "new_car_dataset.csv", "variant": "adj", "version": "v5", "features": [ "engine", "mileage", "car_age", "brand", "model", "car_type", "fuel", "gear" ], "train": { "R2": 0.9779476523399353, "RMSE": 96755.24254530088, "MAE": 48492.01953125, "MAPE": 0.0809291391817826 }, "validation": { "R2": 0.9236561059951782, "RMSE": 183857.97092321017, "MAE": 67528.03125, "MAPE": 0.10970971636956543 }, "test": { "R2": 0.9385710954666138, "RMSE": 145964.89835573483, "MAE": 62883.2265625, "MAPE": 0.10456382641088388 }, "best_params": { "max_depth": 12, "min_child_weight": 1, "n_estimators": 200, "reg_lambda": 1.0 } }, "importance": { "run_id": "XGB_new_cardb_adj", "permutation": { "engine": { "mean": 155351.79375, "std": 4442.848779421722 }, "mileage": { "mean": 34100.53359375, "std": 2226.842562216742 }, "car_age": { "mean": 159846.1484375, "std": 3425.068699720158 }, "brand": { "mean": 92886.415625, "std": 2532.7051757166787 }, "model": { "mean": 34436.2984375, "std": 769.1333871294794 }, "car_type": { "mean": 60426.025, "std": 2418.8509708939346 }, "fuel": { "mean": 17169.80703125, "std": 1643.9044978005243 }, "gear": { "mean": 8330.621875, "std": 707.1774940361784 } }, "model_based": { "engine": 0.014278841663280835, "mileage": 0.0006192410029757572, "car_age": 0.008503077026742207, "brand": 0.22780143565708613, "model": 0.5791181054733326, "car_type": 0.15113093256720103, "fuel": 0.014115830833547812, "gear": 0.0044325357758335454 } }, "cv": { "mean": 72802.0, "sd": 2478.0, "source": "ตาราง CV train เทียบ validation", "precision": "printed integer baht" }, "cv_tables": [ { "kind": "search_candidates", "rows": [ { "candidate": 138.0, "chosen": "", "eligible": "yes", "leaves": 87291.0, "rank": 1.0, "max_depth": 16.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 300.0, "cv_mae": 72286.0, "cv_mae_sd": 2359.0, "train_mae": 46045.0, "gap": 26241.0 }, { "candidate": 254.0, "chosen": "", "eligible": "yes", "leaves": 146910.0, "rank": 2.0, "max_depth": 24.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 200.0, "cv_mae": 72413.0, "cv_mae_sd": 2278.0, "train_mae": 39919.0, "gap": 32494.0 }, { "candidate": 194.0, "chosen": "", "eligible": "yes", "leaves": 98173.0, "rank": 3.0, "max_depth": 20.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 200.0, "cv_mae": 72447.0, "cv_mae_sd": 2241.0, "train_mae": 45385.0, "gap": 27063.0 }, { "candidate": 77.0, "chosen": "", "eligible": "yes", "leaves": 59839.0, "rank": 4.0, "max_depth": 12.0, "min_child_weight": 1.0, "reg_lambda": 1.0, "n_estimators": 300.0, "cv_mae": 72500.0, "cv_mae_sd": 2496.0, "train_mae": 41672.0, "gap": 30828.0 }, { "candidate": 198.0, "chosen": "", "eligible": "yes", "leaves": 164950.0, "rank": 5.0, "max_depth": 20.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 300.0, "cv_mae": 72527.0, "cv_mae_sd": 2340.0, "train_mae": 37304.0, "gap": 35223.0 }, { "candidate": 73.0, "chosen": "*", "eligible": "yes", "leaves": 43815.0, "rank": 6.0, "max_depth": 12.0, "min_child_weight": 1.0, "reg_lambda": 1.0, "n_estimators": 200.0, "cv_mae": 72802.0, "cv_mae_sd": 2478.0, "train_mae": 46369.0, "gap": 26433.0 }, { "candidate": 250.0, "chosen": "", "eligible": "yes", "leaves": 96467.0, "rank": 7.0, "max_depth": 24.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 100.0, "cv_mae": 73025.0, "cv_mae_sd": 2112.0, "train_mae": 47207.0, "gap": 25818.0 }, { "candidate": 134.0, "chosen": "", "eligible": "yes", "leaves": 58382.0, "rank": 8.0, "max_depth": 16.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 200.0, "cv_mae": 73061.0, "cv_mae_sd": 2217.0, "train_mae": 51827.0, "gap": 21234.0 }, { "candidate": 258.0, "chosen": "", "eligible": "yes", "leaves": 269071.0, "rank": 9.0, "max_depth": 24.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 300.0, "cv_mae": 73174.0, "cv_mae_sd": 2454.0, "train_mae": 30411.0, "gap": 42763.0 }, { "candidate": 72.0, "chosen": "", "eligible": "yes", "leaves": 73330.0, "rank": 10.0, "max_depth": 12.0, "min_child_weight": 1.0, "reg_lambda": 0.0, "n_estimators": 200.0, "cv_mae": 73181.0, "cv_mae_sd": 2504.0, "train_mae": 37438.0, "gap": 35742.0 } ] }, { "kind": "fold_scores", "rows": [ { "": 1.0, "train MAE": 45803.0, "validation MAE": 73833.0, "MAE gap": 28030.0, "gap % of validation MAE": 37.96, "train R2": 0.9807, "validation R2": 0.9195, "R2 gap": 0.0612 }, { "": 2.0, "train MAE": 46439.0, "validation MAE": 74964.0, "MAE gap": 28526.0, "gap % of validation MAE": 38.05, "train R2": 0.9801, "validation R2": 0.9107, "R2 gap": 0.0694 }, { "": 3.0, "train MAE": 46048.0, "validation MAE": 73888.0, "MAE gap": 27840.0, "gap % of validation MAE": 37.68, "train R2": 0.9808, "validation R2": 0.916, "R2 gap": 0.0648 }, { "": 4.0, "train MAE": 47163.0, "validation MAE": 73366.0, "MAE gap": 26203.0, "gap % of validation MAE": 35.71, "train R2": 0.9799, "validation R2": 0.9029, "R2 gap": 0.077 }, { "": 5.0, "train MAE": 46393.0, "validation MAE": 67958.0, "MAE gap": 21566.0, "gap % of validation MAE": 31.73, "train R2": 0.9807, "validation R2": 0.9076, "R2 gap": 0.0731 }, { "": "mean", "train MAE": 46369.0, "validation MAE": 72802.0, "MAE gap": 26433.0, "gap % of validation MAE": 36.23, "train R2": 0.9805, "validation R2": 0.9114, "R2 gap": 0.0691 }, { "": "sd", "train MAE": 460.0, "validation MAE": 2478.0, "MAE gap": 2556.0, "gap % of validation MAE": 2.4, "train R2": 0.0004, "validation R2": 0.0059, "R2 gap": 0.0056 } ] } ], "ablation": [ { "variant": "none", "CV MAE mean": 74363.573438, "CV MAE SD": 2440.78688, "test MAE": 65014.855469, "test RMSE": 143521.958515, "test R2": 0.94061, "test MAPE": 0.112355, "change test MAE (baht)": 0.0, "change test MAE (%)": 0.0, "change CV MAE mean (baht)": 0.0, "change CV MAE mean (%)": 0.0 }, { "variant": "scale only", "CV MAE mean": 74363.573438, "CV MAE SD": 2440.78688, "test MAE": 65014.855469, "test RMSE": 143521.958515, "test R2": 0.94061, "test MAPE": 0.112355, "change test MAE (baht)": 0.0, "change test MAE (%)": 0.0, "change CV MAE mean (baht)": 0.0, "change CV MAE mean (%)": 0.0 }, { "variant": "log only", "CV MAE mean": 72801.9125, "CV MAE SD": 2477.781986, "test MAE": 62883.226562, "test RMSE": 145964.898356, "test R2": 0.938571, "test MAPE": 0.104564, "change test MAE (baht)": -2131.628906, "change test MAE (%)": -3.27868, "change CV MAE mean (baht)": -1561.660937, "change CV MAE mean (%)": -2.100035 }, { "variant": "both", "CV MAE mean": 72801.9125, "CV MAE SD": 2477.781986, "test MAE": 62883.226562, "test RMSE": 145964.898356, "test R2": 0.938571, "test MAPE": 0.104564, "change test MAE (baht)": -2131.628906, "change test MAE (%)": -3.27868, "change CV MAE mean (baht)": -1561.660937, "change CV MAE mean (%)": -2.100035 } ], "overfit": [ "WARN : validation MAE ต่างจาก CV MAE ไม่เกิน 5% (generalisation)", "WARN : test MAE ต่างจาก CV MAE ไม่เกิน 5% (generalisation)", "PASS : จำนวนรอบอยู่ในช่วง 1 SE ของจุดที่ CV MAE ต่ำสุด (ไม่น้อยหรือมากเกินไป)", "PASS : ช่องว่าง test - train แคบลงเมื่อเพิ่มข้อมูลฝึก (learning curve)" ], "plots": { "learning": "img/XGB_new_cardb_adj_learning.png", "permutation": "img/XGB_new_cardb_adj_permutation.png", "model_based": "img/XGB_new_cardb_adj_model_based.png" }, "data": { "rows": 29571, "models": 445, "split": [ { "ชุด": "train", "แถว": 23657.0, "สัดส่วน (%)": 80.0, "จำนวนรุ่น": 445.0 }, { "ชุด": "validation", "แถว": 2957.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 232.0 }, { "ชุด": "test", "แถว": 2957.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 246.0 } ] }, "params": [ { "parameter": "max_depth", "value": 12, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [8, 12, 16, 20, 24])", "explanation": "ความลึกสูงสุดของต้นไม้; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (inside)।", "kind": "tuned", "search_range": [ 8, 12, 16, 20, 24 ], "grid_edge": "PASS (inside)", "candidate_source": "PARAM_GRID" }, { "parameter": "min_child_weight", "value": 1, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [1, 5, 20])", "explanation": "น้ำหนัก Hessian ขั้นต่ำของโหนดลูก; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (natural bound) (min edge)।", "kind": "tuned", "search_range": [ 1, 5, 20 ], "grid_edge": "PASS (natural bound) (min edge)", "candidate_source": "PARAM_GRID" }, { "parameter": "n_estimators", "value": 200, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [25, 50, 100, 200, 300])", "explanation": "จำนวนต้นไม้หรือรอบ boosting; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (inside)।", "kind": "tuned", "search_range": [ 25, 50, 100, 200, 300 ], "grid_edge": "PASS (inside)", "candidate_source": "PARAM_GRID" }, { "parameter": "reg_lambda", "value": 1.0, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [0.0, 1.0, 10.0, 100.0])", "explanation": "บทลงโทษ L2 ของค่าในใบ; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (inside)।", "kind": "tuned", "search_range": [ 0.0, 1.0, 10.0, 100.0 ], "grid_edge": "PASS (inside)", "candidate_source": "PARAM_GRID" }, { "parameter": "objective", "value": "reg:squarederror", "source": "กำหนดคงที่ในโค้ด", "explanation": "เรียนรู้จากความผิดพลาดยกกำลังสอง (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "booster", "value": "gbtree", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้ต้นไม้เป็นตัวเรียนรู้ย่อย (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "colsample_bytree", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "แต่ละต้นสุ่มเห็นคอลัมน์ 80%; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "early_stopping_rounds", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่หยุดก่อนครบรอบ (จำนวนรอบเลือกด้วย CV ใน grid); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "eval_metric", "value": "mae", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้เฉพาะตอนส่ง eval_set ในเซลล์ [38] เพื่อวาดกราฟรายรอบ; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "gamma", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "error ต้องลดอย่างน้อยเท่านี้จึงแตกกิ่ง 0 = ไม่บังคับ (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "grow_policy", "value": "depthwise", "source": "กำหนดคงที่ในโค้ด", "explanation": "โตทีละชั้นจนถึง max_depth (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "learning_rate", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "ย่อขนาดการแก้ของแต่ละต้น (คงที่ ดูเซลล์ [03]); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_bin", "value": 256, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนช่วงต่อคอลัมน์ของ hist (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_delta_step", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำกัดขนาดค่าในใบ 0 = ไม่จำกัด (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "n_jobs", "value": 3, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ภายในโมเดล (คงที่ทั้งโน้ตบุ๊ค); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มคงที่ ให้ผลซ้ำได้; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "reg_alpha", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "บทลงโทษ L1 ของค่าในใบ 0 = ไม่ใช้ (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "subsample", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "แต่ละต้นสุ่มเห็นแถว 80% ของข้อมูลฝึก; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "tree_method", "value": "hist", "source": "กำหนดคงที่ในโค้ด", "explanation": "แบ่งค่าเป็นช่วง (histogram) ก่อนหาจุดตัด เร็วกว่าวิธี exact มาก; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "SEED", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มกลาง ใช้ทุกที่ที่มีการสุ่ม เพื่อให้ผลซ้ำได้।", "kind": "fixed" }, { "parameter": "N_FOLDS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน fold ของ cross-validation।", "kind": "fixed" }, { "parameter": "NUM_COLS", "value": [ "engine", "mileage", "car_age" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ตัวเลข।", "kind": "fixed" }, { "parameter": "CAT_COLS", "value": [ "brand", "model", "car_type", "fuel", "gear" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ประเภทกลุ่ม।", "kind": "fixed" }, { "parameter": "DATA_SHA256", "value": "04574b158eecae7a353528c575f19a14c542bdd379368fc756829446cf68d412", "source": "กำหนดคงที่ในโค้ด", "explanation": "ลายนิ้วมือไฟล์ข้อมูล।", "kind": "fixed" }, { "parameter": "MODEL_NAME", "value": "XGB", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อโมเดล ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "VERSION", "value": "v5", "source": "กำหนดคงที่ในโค้ด", "explanation": "เวอร์ชันของวิธีฝึก ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "CURRENT_YEAR", "value": 2026, "source": "กำหนดคงที่ในโค้ด", "explanation": "ปีที่เก็บข้อมูล ใช้คำนวณ car_age = CURRENT_YEAR - year।", "kind": "fixed" }, { "parameter": "TRAIN_SIZE", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "VAL_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "TEST_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "LEARNING_RATE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "ขนาดก้าวของ boosting (คงที่ ไม่อยู่ใน grid)।", "kind": "fixed" }, { "parameter": "LC_FRACTIONS", "value": [ 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วน train ที่ใช้วาด learning curve: 10% ถึง 100%।", "kind": "fixed" }, { "parameter": "LC_REPEATS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนรอบสุ่มซ้ำของ learning curve ต่อหนึ่งสัดส่วน।", "kind": "fixed" }, { "parameter": "SEARCH_JOBS", "value": 6, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานที่รันพร้อมกันใน GridSearchCV (process คู่ขนาน)।", "kind": "fixed" }, { "parameter": "MODEL_THREADS", "value": 3, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ที่โมเดลแต่ละตัวใช้ภายใน।", "kind": "fixed" }, { "parameter": "MAE_AXIS", "value": [ 20000, 90000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน MAE (บาท) ของ learning curve และ validation curve ครอบทุกโมเดล।", "kind": "fixed" }, { "parameter": "R2_AXIS", "value": [ 0.8, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน R² ของ learning curve।", "kind": "fixed" }, { "parameter": "ROWS_AXIS", "value": [ 0, 40000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของ learning curve: จำนวนแถวฝึก (ทุกโมเดลฝึกบนข้อมูลชุดเดียวกัน)।", "kind": "fixed" }, { "parameter": "FOLD_AXIS", "value": [ -0.5, 4.5 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของกราฟแท่งราย fold: ตำแหน่ง 0..4 (ต้องสัมพันธ์กับ N_FOLDS = 5)।", "kind": "fixed" }, { "parameter": "MAE_BAR_AXIS", "value": [ 0, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟแท่ง MAE ต่อ fold: แท่งต้องเริ่มที่ 0 จึงแยกจาก MAE_AXIS।", "kind": "fixed" }, { "parameter": "MAE_CCP_AXIS", "value": [ 50000, 130000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ ccp_alpha (เฉพาะ DT): ฝั่ง alpha สูงเกิน MAE_AXIS จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_OOB_AXIS", "value": [ 52000, 54000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ OOB (เฉพาะ RF): เส้นแบนมาก ถ้าใช้ MAE_AXIS เส้นจะเป็นขีดตรง จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_ROUND_AXIS", "value": [ 30000, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟรายรอบ (เฉพาะ XGB): ตัดรอบแรกๆ ที่ MAE สูงมากทิ้งเหมือนเดิม จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "RUN_ID", "value": "XGB_new_cardb_adj", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อการทดลอง; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "DATASET", "value": "new_car_dataset.csv", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อชุดข้อมูล; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "VARIANT", "value": "adj", "source": "กำหนดคงที่ในโค้ด", "explanation": "รูปแบบ base หรือ adj; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "MAX_CAR_AGE", "value": 25, "source": "กำหนดคงที่ในโค้ด", "explanation": "อายุรถสูงสุดที่ยอมรับในการกรองข้อมูล; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "MODEL_ALIASES", "value": { "ALTIS": "COROLLAALTIS", "NP300NAVARA": "NAVARA" }, "source": "กำหนดคงที่ในโค้ด", "explanation": "กฎรวมชื่อรุ่นที่สะกดต่างกัน; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "PERM_AXIS", "value": [ 0, 150000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนกราฟ permutation importance; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "SHARE_AXIS", "value": [ 0, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนสัดส่วนความสำคัญตัวแปร; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "pipeline.target_transform", "value": "np.log / np.exp", "source": "กำหนดคงที่ในโค้ด", "explanation": "แปลงราคา log แล้วคืนด้วย exp ก่อนวัดผลเป็นบาท; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "FoldOneHot.scale_numeric", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "กำหนดว่าจะปรับสเกลเฉพาะตัวเลขในแต่ละ fold หรือไม่ตาม pipeline; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "scaler", "value": "(x - mean_train_fold) / std_train_fold; ddof=0; std=0 → 1", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้ mean/std จากแถวฝึกของแต่ละ fold เท่านั้นและไม่ scale dummy ตามโค้ดเพื่อป้องกันข้อมูลรั่ว।", "kind": "fixed" }, { "parameter": "encoder", "value": "FoldOneHot; numeric=float; dummy=float; dense", "source": "กำหนดคงที่ในโค้ด", "explanation": "แปลงหมวดหมู่เป็น 0/1 และต่อกับตัวเลขโดย fit ใหม่ในแต่ละ fold เพื่อป้องกันข้อมูลรั่ว।", "kind": "fixed" }, { "parameter": "FoldOneHot.reference", "value": "most frequent; ties: name ascending, stable", "source": "กำหนดคงที่ในโค้ด", "explanation": "ทิ้งระดับที่พบบ่อยที่สุดเพื่อลดคอลัมน์ซ้ำซ้อนและใช้ชื่อเรียงตัดสินเมื่อความถี่เสมอกันตามโค้ด।", "kind": "fixed" }, { "parameter": "FoldOneHot.unseen", "value": "all zeros", "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับที่ไม่เคยพบในแถวฝึกได้ศูนย์ทุกคอลัมน์ตามโค้ดเพื่อให้แปลงข้อมูลใหม่ได้।", "kind": "fixed" }, { "parameter": "split.strategy", "value": "forced-train 1 / brand|model", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้กติกาแบ่งชุดของไฟล์นี้ร่วมกับ TRAIN_SIZE/VAL_SIZE/TEST_SIZE และ SEED ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.shuffle", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "สลับลำดับแถวก่อนแบ่ง fold เพื่อให้กระจายข้อมูล; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มของการแบ่ง fold เพื่อทำผลซ้ำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.scoring", "value": "{'MAE': 'neg_mean_absolute_error', 'RMSE': 'neg_root_mean_squared_error', 'MAPE': 'neg_mean_absolute_percentage_error', 'R2': 'r2', 'leaves': count_leaves_scorer}", "source": "กำหนดคงที่ในโค้ด", "explanation": "ตัววัด CV โดยใช้ MAE หน่วยบาทเลือกผู้ชนะและใช้ใบวัดความซับซ้อน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.refit", "value": "select_1se", "source": "กำหนดคงที่ในโค้ด", "explanation": "ฟังก์ชันเลือกชุดค่าด้วยกฎ 1-SE แล้วฝึกผู้ชนะบน train ทั้งชุด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.return_train_score", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "เก็บคะแนน train เพื่อเทียบกับ CV; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.error_score", "value": "raise", "source": "กำหนดคงที่ในโค้ด", "explanation": "ให้หยุดเมื่อการฝึกเกิดข้อผิดพลาด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.n_jobs", "value": 6, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่ทำพร้อมกัน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.pre_dispatch", "value": 6, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานที่ส่งล่วงหน้าเพื่อคุมหน่วยความจำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.verbose", "value": 0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับข้อความความคืบหน้าของการค้นหา; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "selection.1SE", "value": "min CV MAE + SD(ddof=0)/sqrt(N_FOLDS); min leaves → CV MAE → index", "source": "กำหนดคงที่ในโค้ด", "explanation": "เลือกใบน้อยที่สุดในช่วงหนึ่ง SE จาก MAE ต่ำสุด; DT นับใบบน train ทั้งชุด ส่วน RF/XGB ใช้ค่าเฉลี่ยใบรวมจาก CV ตามโค้ด।", "kind": "fixed" }, { "parameter": "base_score", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ค่าทำนายเริ่มต้น; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "callbacks", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ฟังก์ชันเสริมระหว่างฝึก; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "colsample_bylevel", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "สัดส่วนคอลัมน์ที่สุ่มต่อระดับ; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "colsample_bynode", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "สัดส่วนคอลัมน์ที่สุ่มต่อโหนด; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "device", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "อุปกรณ์ประมวลผล; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "enable_categorical", "value": true, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "การอนุญาตข้อมูลหมวดหมู่แบบ native; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน; pipeline ใช้ FoldOneHot จึงไม่ได้ส่งหมวดหมู่ native।", "kind": "default" }, { "parameter": "feature_types", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ชนิดข้อมูลของตัวแปร; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "feature_weights", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "น้ำหนักในการสุ่มตัวแปร; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "importance_type", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "วิธีสรุปความสำคัญตัวแปร; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "interaction_constraints", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ข้อจำกัดปฏิสัมพันธ์ของตัวแปร; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "max_cat_threshold", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "จำนวนหมวดหมู่สูงสุดที่พิจารณาจุดแบ่ง; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน); pipeline ใช้ FoldOneHot จึงไม่ได้ส่งหมวดหมู่ native।", "kind": "default" }, { "parameter": "max_cat_to_onehot", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "เกณฑ์เลือก one-hot สำหรับข้อมูลหมวดหมู่ native; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน); pipeline ใช้ FoldOneHot จึงไม่ได้ส่งหมวดหมู่ native।", "kind": "default" }, { "parameter": "max_leaves", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "จำนวนใบสูงสุด; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "missing", "value": "NaN", "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ค่าที่ใช้แทนข้อมูลสูญหาย; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน।", "kind": "default" }, { "parameter": "monotone_constraints", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ข้อบังคับทิศทางความสัมพันธ์; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "multi_strategy", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "วิธีเรียนรู้หลายเป้าหมาย; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "num_parallel_tree", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "จำนวนต้นไม้ขนานต่อรอบ; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "sampling_method", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "วิธีสุ่มแถวฝึก; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "scale_pos_weight", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "น้ำหนักสัมพัทธ์ของคลาสบวก; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "validate_parameters", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "การตรวจชื่อพารามิเตอร์; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "verbosity", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ระดับข้อความของ XGBoost; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "target.check_inverse", "value": true, "source": "ค่าเริ่มต้นของไลบรารี (sklearn 1.9.1)", "explanation": "ตรวจว่าฟังก์ชันแปลงและแปลงกลับสอดคล้องกัน; คงค่าเริ่มต้นโดยไม่ได้ปรับจูน।", "kind": "default" }, { "parameter": "target.transformer", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (sklearn 1.9.1)", "explanation": "ตัวแปลงเป้าหมายแบบ estimator ซึ่งไม่ได้ส่งเพราะใช้คู่ฟังก์ชัน log/exp; คงค่าเริ่มต้นโดยไม่ได้ปรับจูน।", "kind": "default" } ], "missing": [], "runtime": { "start": "2026-10-26 01:47:16", "end": "2026-10-26 02:38:10", "status": "ok", "seconds": 3054.0 } }, { "run_id": "DT_merge50minC", "notebook": "DT/DT_merge50minC.ipynb", "model": "DT", "dataset": "merge50minC", "variant": "base", "result": { "run_id": "DT_merge50minC", "model": "DT", "dataset": "merge_50min_clean.csv", "variant": "base", "version": "v5", "features": [ "engine", "mileage", "car_age", "brand", "model", "car_type", "fuel", "gear" ], "train": { "R2": 0.9513040408249569, "RMSE": 72702.47744366423, "MAE": 48993.646198384165, "MAPE": 0.09671673574641712 }, "validation": { "R2": 0.9277946622819477, "RMSE": 86671.25018158511, "MAE": 56706.497806234715, "MAPE": 0.1088683960778833 }, "test": { "R2": 0.9286139391648999, "RMSE": 87453.83873526199, "MAE": 57794.46356523799, "MAPE": 0.109997324835545 }, "best_params": { "ccp_alpha": 564591.7380491865, "max_depth": 25, "min_samples_leaf": 5 } }, "importance": { "run_id": "DT_merge50minC", "permutation": { "engine": { "mean": 132055.18999013683, "std": 1949.9216155468246 }, "mileage": { "mean": 17604.282479798225, "std": 908.7276216161168 }, "car_age": { "mean": 129231.62074399593, "std": 1413.6219407445647 }, "brand": { "mean": 54990.42676471422, "std": 1164.9463479046724 }, "model": { "mean": 38407.47287977014, "std": 998.3420068090463 }, "car_type": { "mean": 61544.42292075511, "std": 1208.8869425757646 }, "fuel": { "mean": 14016.480875375852, "std": 580.9894732715849 }, "gear": { "mean": 6016.032557466123, "std": 194.96044922064527 } }, "model_based": { "engine": 0.21462862443568317, "mileage": 0.058403581757196864, "car_age": 0.2664338690851022, "brand": 0.12628058425826896, "model": 0.1423701152267068, "car_type": 0.16177058067779235, "fuel": 0.021311148543833775, "gear": 0.008801496015415964 } }, "cv": { "mean": 58291.0, "sd": 162.0, "source": "ตาราง CV train เทียบ validation", "precision": "printed integer baht" }, "cv_tables": [ { "kind": "search_candidates", "rows": [ { "candidate": 109.0, "chosen": "*", "eligible": "yes", "leaves": 1502.0, "rank": 1.0, "max_depth": 25.0, "min_samples_leaf": 5.0, "ccp_alpha": 564600.0, "cv_mae": 58291.0, "cv_mae_sd": 162.0, "train_mae": 48651.0, "gap": 9640.0 }, { "candidate": 115.0, "chosen": "", "eligible": "yes", "leaves": 1575.0, "rank": 2.0, "max_depth": "None", "min_samples_leaf": 5.0, "ccp_alpha": 564600.0, "cv_mae": 58325.0, "cv_mae_sd": 240.0, "train_mae": 48417.0, "gap": 9908.0 }, { "candidate": 79.0, "chosen": "", "eligible": "yes", "leaves": 2094.0, "rank": 3.0, "max_depth": 25.0, "min_samples_leaf": 5.0, "ccp_alpha": 272800.0, "cv_mae": 58345.0, "cv_mae_sd": 109.0, "train_mae": 46935.0, "gap": 11410.0 }, { "candidate": 85.0, "chosen": "", "eligible": "", "leaves": "", "rank": 4.0, "max_depth": "None", "min_samples_leaf": 5.0, "ccp_alpha": 272800.0, "cv_mae": 58375.0, "cv_mae_sd": 175.0, "train_mae": 46601.0, "gap": 11774.0 }, { "candidate": 49.0, "chosen": "", "eligible": "", "leaves": "", "rank": 5.0, "max_depth": 25.0, "min_samples_leaf": 5.0, "ccp_alpha": 131700.0, "cv_mae": 58503.0, "cv_mae_sd": 147.0, "train_mae": 45809.0, "gap": 12693.0 }, { "candidate": 55.0, "chosen": "", "eligible": "", "leaves": "", "rank": 6.0, "max_depth": "None", "min_samples_leaf": 5.0, "ccp_alpha": 131700.0, "cv_mae": 58557.0, "cv_mae_sd": 178.0, "train_mae": 45430.0, "gap": 13127.0 }, { "candidate": 138.0, "chosen": "", "eligible": "", "leaves": "", "rank": 7.0, "max_depth": 25.0, "min_samples_leaf": 1.0, "ccp_alpha": 1168000.0, "cv_mae": 58688.0, "cv_mae_sd": 164.0, "train_mae": 45070.0, "gap": 13618.0 }, { "candidate": 144.0, "chosen": "", "eligible": "", "leaves": "", "rank": 8.0, "max_depth": "None", "min_samples_leaf": 1.0, "ccp_alpha": 1168000.0, "cv_mae": 58693.0, "cv_mae_sd": 110.0, "train_mae": 44553.0, "gap": 14140.0 }, { "candidate": 145.0, "chosen": "", "eligible": "", "leaves": "", "rank": 9.0, "max_depth": "None", "min_samples_leaf": 5.0, "ccp_alpha": 1168000.0, "cv_mae": 58736.0, "cv_mae_sd": 186.0, "train_mae": 50788.0, "gap": 7948.0 }, { "candidate": 139.0, "chosen": "", "eligible": "", "leaves": "", "rank": 10.0, "max_depth": 25.0, "min_samples_leaf": 5.0, "ccp_alpha": 1168000.0, "cv_mae": 58762.0, "cv_mae_sd": 138.0, "train_mae": 50942.0, "gap": 7821.0 } ] }, { "kind": "fold_scores", "rows": [ { "": 1.0, "train MAE": 48739.0, "validation MAE": 58184.0, "MAE gap": 9445.0, "gap % of validation MAE": 16.23, "train R2": 0.9511, "validation R2": 0.9292, "R2 gap": 0.0219 }, { "": 2.0, "train MAE": 48709.0, "validation MAE": 58270.0, "MAE gap": 9561.0, "gap % of validation MAE": 16.41, "train R2": 0.9511, "validation R2": 0.9256, "R2 gap": 0.0255 }, { "": 3.0, "train MAE": 49013.0, "validation MAE": 58074.0, "MAE gap": 9060.0, "gap % of validation MAE": 15.6, "train R2": 0.9514, "validation R2": 0.9219, "R2 gap": 0.0295 }, { "": 4.0, "train MAE": 48496.0, "validation MAE": 58545.0, "MAE gap": 10048.0, "gap % of validation MAE": 17.16, "train R2": 0.9523, "validation R2": 0.9238, "R2 gap": 0.0285 }, { "": 5.0, "train MAE": 48295.0, "validation MAE": 58382.0, "MAE gap": 10087.0, "gap % of validation MAE": 17.28, "train R2": 0.9532, "validation R2": 0.9198, "R2 gap": 0.0333 }, { "": "mean", "train MAE": 48651.0, "validation MAE": 58291.0, "MAE gap": 9640.0, "gap % of validation MAE": 16.54, "train R2": 0.9518, "validation R2": 0.9241, "R2 gap": 0.0277 }, { "": "sd", "train MAE": 242.0, "validation MAE": 162.0, "MAE gap": 387.0, "gap % of validation MAE": 0.62, "train R2": 0.0008, "validation R2": 0.0032, "R2 gap": 0.0038 } ] } ], "ablation": [], "overfit": [ "PASS validation เทียบ CV : ต่างกัน -1,584 บาท (-2.72%) เกณฑ์ ±1,918 บาท (2 SE)", "PASS test เทียบ CV : ต่างกัน -496 บาท (-0.85%) เกณฑ์ ±1,920 บาท (2 SE)", "PASS test เทียบ validation : ต่างกัน +1,088 บาท (+1.92%) เกณฑ์ ±2,706 บาท (2 SE)", "PASS learning curve (3,760 -> 37,600 แถว): test MAE 81,994 -> 57,794 บาท, gap 25,119 -> 8,801 บาท (ต้องลดลงทั้งคู่)" ], "plots": { "learning": "img/DT_merge50minC_learning.png", "permutation": "img/DT_merge50minC_permutation.png", "model_based": "img/DT_merge50minC_model_based.png" }, "data": { "rows": 47001, "split": [ { "ชุด": "train", "แถว": 37600.0, "สัดส่วน (%)": 80.0, "จำนวนรุ่น": 115.0 }, { "ชุด": "validation", "แถว": 4700.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 115.0 }, { "ชุด": "test", "แถว": 4701.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 115.0 } ], "models": 115.0 }, "params": [ { "parameter": "ccp_alpha", "value": 564591.7380491865, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [0.0, 131700.0, 272800.0, 564600.0, 1168000.0, 2415000.0, 5013000.0, 10340000.0])", "explanation": "ความแรงของการตัดกิ่ง; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตัวเลือกจาก ccp path บน train และ CV (ช่วงแสดงตามผลพิมพ์ 4 หลักนัยสำคัญ); ตรวจขอบ: PASS (อยู่ด้านในของ grid)।", "kind": "tuned", "search_range": [ 0.0, 131700.0, 272800.0, 564600.0, 1168000.0, 2415000.0, 5013000.0, 10340000.0 ], "grid_edge": "PASS (อยู่ด้านในของ grid)", "candidate_source": "เลือกจาก ccp path" }, { "parameter": "max_depth", "value": 25, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [10, 15, 20, 25, null])", "explanation": "ความลึกสูงสุดของต้นไม้; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (อยู่ด้านในของ grid)।", "kind": "tuned", "search_range": [ 10, 15, 20, 25, null ], "grid_edge": "PASS (อยู่ด้านในของ grid)", "candidate_source": "PARAM_GRID" }, { "parameter": "min_samples_leaf", "value": 5, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [1, 5, 7, 9, 12, 15])", "explanation": "จำนวนแถวขั้นต่ำต่อใบ; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (อยู่ด้านในของ grid)।", "kind": "tuned", "search_range": [ 1, 5, 7, 9, 12, 15 ], "grid_edge": "PASS (อยู่ด้านในของ grid)", "candidate_source": "PARAM_GRID" }, { "parameter": "criterion", "value": "squared_error", "source": "กำหนดคงที่ในโค้ด", "explanation": "วัดคุณภาพการแตกกิ่งด้วย MSE (ค่าเริ่มต้น เหมาะกับการทายราคา); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_features", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ทุกการแตกกิ่งเห็นตัวแปรครบ (ใช้กับต้นไม้ต้นเดียวได้ แต่ยังไม่ได้ทดสอบ); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_leaf_nodes", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนใบสูงสุด None = ไม่จำกัด (ยังไม่ได้ทดสอบขีดจำกัดนี้); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_impurity_decrease", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "แตกกิ่งได้แม้ลด error น้อย (ยังไม่ได้ทดสอบเกณฑ์นี้); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_samples_split", "value": 2, "source": "กำหนดคงที่ในโค้ด", "explanation": "รถขั้นต่ำในโหนดก่อนแตกกิ่ง (ค่าเริ่มต้น ยังไม่ได้ทดสอบการปรับ); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_weight_fraction_leaf", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนน้ำหนักขั้นต่ำต่อใบ 0 = ไม่ใช้ (ทุกแถวน้ำหนักเท่ากัน); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "monotonic_cst", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่บังคับทิศทางความสัมพันธ์ของตัวแปรกับราคา; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มคงที่ ใช้ตัดสินกรณีจุดตัดดีเท่ากัน ให้ผลซ้ำได้; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "splitter", "value": "best", "source": "กำหนดคงที่ในโค้ด", "explanation": "ลองทุกจุดตัดแล้วเลือกจุดที่ดีที่สุด ไม่สุ่ม; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "SEED", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มกลาง ใช้ทุกที่ที่มีการสุ่ม เพื่อให้ผลซ้ำได้।", "kind": "fixed" }, { "parameter": "N_FOLDS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน fold ของ cross-validation।", "kind": "fixed" }, { "parameter": "NUM_COLS", "value": [ "engine", "mileage", "car_age" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ตัวเลข।", "kind": "fixed" }, { "parameter": "CAT_COLS", "value": [ "brand", "model", "car_type", "fuel", "gear" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ประเภทกลุ่ม।", "kind": "fixed" }, { "parameter": "DATA_SHA256", "value": "191adb789285fe531bf82521e7ac0892020cbf0bf4325d22f6a657fabaab8aa1", "source": "กำหนดคงที่ในโค้ด", "explanation": "ลายนิ้วมือไฟล์ข้อมูล।", "kind": "fixed" }, { "parameter": "MODEL_NAME", "value": "DT", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อโมเดล ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "VERSION", "value": "v5", "source": "กำหนดคงที่ในโค้ด", "explanation": "เวอร์ชันของวิธีฝึก ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "CURRENT_YEAR", "value": 2026, "source": "กำหนดคงที่ในโค้ด", "explanation": "ปีที่เก็บข้อมูล ใช้คำนวณ car_age = CURRENT_YEAR - year।", "kind": "fixed" }, { "parameter": "TRAIN_SIZE", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "VAL_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "TEST_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "MIN_LEAVES", "value": 20, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนใบขั้นต่ำที่ยอมรับตอนเลือก ccp_alpha (heuristic)।", "kind": "fixed" }, { "parameter": "CCP_N_CANDIDATES", "value": 20, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนค่า ccp_alpha ที่คัดมาลอง (heuristic)।", "kind": "fixed" }, { "parameter": "CCP_NEIGHBOURS", "value": 3, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนค่าข้างเคียงที่เพิ่มรอบค่าที่เลือก (heuristic)।", "kind": "fixed" }, { "parameter": "LC_FRACTIONS", "value": [ 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วน train ที่ใช้วาด learning curve: 10% ถึง 100%।", "kind": "fixed" }, { "parameter": "LC_REPEATS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนรอบสุ่มซ้ำของ learning curve ต่อหนึ่งสัดส่วน।", "kind": "fixed" }, { "parameter": "SEARCH_JOBS", "value": 8, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่รันพร้อมกันใน GridSearchCV (SEARCH_JOBS x MODEL_THREADS ไม่เกิน 20)।", "kind": "fixed" }, { "parameter": "MODEL_THREADS", "value": 1, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ของไลบรารีคำนวณภายในแต่ละงาน (DT ฝึกด้วย thread เดียวอยู่แล้ว)।", "kind": "fixed" }, { "parameter": "MAE_AXIS", "value": [ 20000, 90000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน MAE (บาท) ของ learning curve และ validation curve ครอบทุกโมเดล।", "kind": "fixed" }, { "parameter": "R2_AXIS", "value": [ 0.8, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน R² ของ learning curve।", "kind": "fixed" }, { "parameter": "ROWS_AXIS", "value": [ 0, 40000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของ learning curve: จำนวนแถวฝึก (ทุกโมเดลฝึกบนข้อมูลชุดเดียวกัน)।", "kind": "fixed" }, { "parameter": "FOLD_AXIS", "value": [ -0.5, 4.5 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของกราฟแท่งราย fold: ตำแหน่ง 0..4 (ต้องสัมพันธ์กับ N_FOLDS = 5)।", "kind": "fixed" }, { "parameter": "MAE_BAR_AXIS", "value": [ 0, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟแท่ง MAE ต่อ fold: แท่งต้องเริ่มที่ 0 จึงแยกจาก MAE_AXIS।", "kind": "fixed" }, { "parameter": "MAE_CCP_AXIS", "value": [ 50000, 130000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ ccp_alpha (เฉพาะ DT): ฝั่ง alpha สูงเกิน MAE_AXIS จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_OOB_AXIS", "value": [ 52000, 54000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ OOB (เฉพาะ RF): เส้นแบนมาก ถ้าใช้ MAE_AXIS เส้นจะเป็นขีดตรง จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_ROUND_AXIS", "value": [ 30000, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟรายรอบ (เฉพาะ XGB): ตัดรอบแรกๆ ที่ MAE สูงมากทิ้งเหมือนเดิม จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "RUN_ID", "value": "DT_merge50minC", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อการทดลอง; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "DATASET", "value": "merge_50min_clean.csv", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อชุดข้อมูล; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "VARIANT", "value": "base", "source": "กำหนดคงที่ในโค้ด", "explanation": "รูปแบบ base หรือ adj; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "PERM_AXIS", "value": [ 0, 150000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนกราฟ permutation importance; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "SHARE_AXIS", "value": [ 0, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนสัดส่วนความสำคัญตัวแปร; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "ccp_alpha.candidates", "value": [ 0.0, 131700.0, 272800.0, 564600.0, 1168000.0, 2415000.0, 5013000.0, 10340000.0 ], "source": "เลือกจาก ccp path", "explanation": "เลือก alpha บวกบนสเกล log ที่ต้นไม้ยังเกิน MIN_LEAVES แล้วใช้ CV คัดเพื่อนบ้าน CCP_NEIGHBOURS พร้อมเพิ่ม 0 ก่อนค้น grid; ค่าตัวเลือกแสดงตามผลพิมพ์ 4 หลักนัยสำคัญ।", "kind": "fixed" }, { "parameter": "pipeline.target_transform", "value": "identity (บาท)", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้ราคาเป็นบาทโดยไม่แปลงเป้าหมาย; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "FoldOneHot.scale_numeric", "value": false, "source": "กำหนดคงที่ในโค้ด", "explanation": "กำหนดว่าจะปรับสเกลเฉพาะตัวเลขในแต่ละ fold หรือไม่ตาม pipeline; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "scaler", "value": "ไม่มี", "source": "กำหนดคงที่ในโค้ด", "explanation": "ส่งค่าตัวเลขเดิมเข้าโมเดลตามโค้ดโดยไม่ได้ปรับจูนการ scale।", "kind": "fixed" }, { "parameter": "encoder", "value": "FoldOneHot; numeric=float; dummy=float; dense", "source": "กำหนดคงที่ในโค้ด", "explanation": "แปลงหมวดหมู่เป็น 0/1 และต่อกับตัวเลขโดย fit ใหม่ในแต่ละ fold เพื่อป้องกันข้อมูลรั่ว।", "kind": "fixed" }, { "parameter": "FoldOneHot.reference", "value": "most frequent; ties: name ascending, stable", "source": "กำหนดคงที่ในโค้ด", "explanation": "ทิ้งระดับที่พบบ่อยที่สุดเพื่อลดคอลัมน์ซ้ำซ้อนและใช้ชื่อเรียงตัดสินเมื่อความถี่เสมอกันตามโค้ด।", "kind": "fixed" }, { "parameter": "FoldOneHot.unseen", "value": "all zeros", "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับที่ไม่เคยพบในแถวฝึกได้ศูนย์ทุกคอลัมน์ตามโค้ดเพื่อให้แปลงข้อมูลใหม่ได้।", "kind": "fixed" }, { "parameter": "split.strategy", "value": "stratify brand|model", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้กติกาแบ่งชุดของไฟล์นี้ร่วมกับ TRAIN_SIZE/VAL_SIZE/TEST_SIZE และ SEED ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.shuffle", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "สลับลำดับแถวก่อนแบ่ง fold เพื่อให้กระจายข้อมูล; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มของการแบ่ง fold เพื่อทำผลซ้ำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.scoring", "value": { "MAE": "neg_mean_absolute_error", "RMSE": "neg_root_mean_squared_error", "MAPE": "neg_mean_absolute_percentage_error", "R2": "r2" }, "source": "กำหนดคงที่ในโค้ด", "explanation": "ตัววัด CV โดยใช้ MAE หน่วยบาทเลือกผู้ชนะและใช้ใบวัดความซับซ้อน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.refit", "value": "refit_1se", "source": "กำหนดคงที่ในโค้ด", "explanation": "ฟังก์ชันเลือกชุดค่าด้วยกฎ 1-SE แล้วฝึกผู้ชนะบน train ทั้งชุด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.return_train_score", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "เก็บคะแนน train เพื่อเทียบกับ CV; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.error_score", "value": "raise", "source": "กำหนดคงที่ในโค้ด", "explanation": "ให้หยุดเมื่อการฝึกเกิดข้อผิดพลาด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.n_jobs", "value": 8, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่ทำพร้อมกัน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.pre_dispatch", "value": 8, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานที่ส่งล่วงหน้าเพื่อคุมหน่วยความจำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.verbose", "value": 0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับข้อความความคืบหน้าของการค้นหา; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "selection.1SE", "value": "min CV MAE + SD(ddof=0)/sqrt(N_FOLDS); min leaves → CV MAE → index", "source": "กำหนดคงที่ในโค้ด", "explanation": "เลือกใบน้อยที่สุดในช่วงหนึ่ง SE จาก MAE ต่ำสุด; DT นับใบบน train ทั้งชุด ส่วน RF/XGB ใช้ค่าเฉลี่ยใบรวมจาก CV ตามโค้ด।", "kind": "fixed" } ], "missing": [], "runtime": { "start": "2026-10-26 02:38:11", "end": "2026-10-26 02:44:44", "status": "ok", "seconds": 393.0 } }, { "run_id": "RF_merge50minC", "notebook": "RF/RF_merge50minC.ipynb", "model": "RF", "dataset": "merge50minC", "variant": "base", "result": { "run_id": "RF_merge50minC", "model": "RF", "dataset": "merge_50min_clean.csv", "variant": "base", "version": "v5", "features": [ "engine", "mileage", "car_age", "brand", "model", "car_type", "fuel", "gear" ], "train": { "R2": 0.9671043105103881, "RMSE": 59754.724002635856, "MAE": 38902.04836364557, "MAPE": 0.07468988881860679 }, "validation": { "R2": 0.9410954573461947, "RMSE": 78282.52104878938, "MAE": 52209.298102918736, "MAPE": 0.10127589727223421 }, "test": { "R2": 0.9394257413455945, "RMSE": 80559.39987596293, "MAE": 53415.836252871675, "MAPE": 0.10251432504220247 }, "best_params": { "max_features": 0.3, "min_samples_leaf": 2 } }, "importance": { "run_id": "RF_merge50minC", "permutation": { "engine": { "mean": 104729.42661559311, "std": 1203.9991793610586 }, "mileage": { "mean": 21877.493893201427, "std": 832.0499812777887 }, "car_age": { "mean": 114979.2466093686, "std": 1551.8881529612052 }, "brand": { "mean": 41620.55078950645, "std": 884.1117080162874 }, "model": { "mean": 32745.270592636265, "std": 504.40983156676657 }, "car_type": { "mean": 46979.17151828073, "std": 1052.5808192727734 }, "fuel": { "mean": 18849.66835307553, "std": 660.787807653559 }, "gear": { "mean": 7448.032331906276, "std": 319.9853611456674 } }, "model_based": { "engine": 0.17011123658960417, "mileage": 0.0829951974514856, "car_age": 0.22488412461907192, "brand": 0.1302291191833123, "model": 0.18644802906088104, "car_type": 0.12163254606714473, "fuel": 0.05597911931389877, "gear": 0.027720627714601462 } }, "cv": { "mean": 53541.0, "sd": 316.0, "source": "ตาราง CV train เทียบ validation", "precision": "printed integer baht" }, "cv_tables": [ { "kind": "search_candidates", "rows": [ { "candidate": 13.0, "chosen": "", "eligible": "yes", "leaves": 1917320.0, "rank": 1.0, "max_features": 0.4, "min_samples_leaf": 2.0, "cv_mae": 53483.0, "cv_mae_sd": 264.0, "train_mae": 38313.0, "gap": 15170.0 }, { "candidate": 19.0, "chosen": "", "eligible": "yes", "leaves": 1973993.0, "rank": 2.0, "max_features": 0.5, "min_samples_leaf": 2.0, "cv_mae": 53539.0, "cv_mae_sd": 246.0, "train_mae": 37806.0, "gap": 15733.0 }, { "candidate": 7.0, "chosen": "*", "eligible": "yes", "leaves": 1838780.0, "rank": 3.0, "max_features": 0.3, "min_samples_leaf": 2.0, "cv_mae": 53541.0, "cv_mae_sd": 316.0, "train_mae": 39052.0, "gap": 14488.0 }, { "candidate": 25.0, "chosen": "", "eligible": "", "leaves": 2026128.0, "rank": 4.0, "max_features": 0.6, "min_samples_leaf": 2.0, "cv_mae": 53657.0, "cv_mae_sd": 227.0, "train_mae": 37331.0, "gap": 16326.0 }, { "candidate": 14.0, "chosen": "", "eligible": "", "leaves": 1216178.0, "rank": 5.0, "max_features": 0.4, "min_samples_leaf": 3.0, "cv_mae": 53746.0, "cv_mae_sd": 238.0, "train_mae": 42839.0, "gap": 10907.0 }, { "candidate": 20.0, "chosen": "", "eligible": "", "leaves": 1267008.0, "rank": 6.0, "max_features": 0.5, "min_samples_leaf": 3.0, "cv_mae": 53762.0, "cv_mae_sd": 259.0, "train_mae": 42244.0, "gap": 11518.0 }, { "candidate": 26.0, "chosen": "", "eligible": "", "leaves": 1314293.0, "rank": 7.0, "max_features": 0.6, "min_samples_leaf": 3.0, "cv_mae": 53803.0, "cv_mae_sd": 190.0, "train_mae": 41722.0, "gap": 12081.0 }, { "candidate": 1.0, "chosen": "", "eligible": "", "leaves": 1740705.0, "rank": 8.0, "max_features": 0.2, "min_samples_leaf": 2.0, "cv_mae": 53871.0, "cv_mae_sd": 356.0, "train_mae": 40221.0, "gap": 13650.0 }, { "candidate": 31.0, "chosen": "", "eligible": "", "leaves": 2121545.0, "rank": 9.0, "max_features": 0.8, "min_samples_leaf": 2.0, "cv_mae": 53883.0, "cv_mae_sd": 199.0, "train_mae": 36538.0, "gap": 17344.0 }, { "candidate": 32.0, "chosen": "", "eligible": "", "leaves": 1396686.0, "rank": 10.0, "max_features": 0.8, "min_samples_leaf": 3.0, "cv_mae": 53981.0, "cv_mae_sd": 160.0, "train_mae": 40877.0, "gap": 13105.0 } ] }, { "kind": "fold_scores", "rows": [ { "": 1.0, "train MAE": 39178.0, "validation MAE": 53365.0, "MAE gap": 14187.0, "gap % of validation MAE": 26.58, "train R2": 0.9663, "validation R2": 0.942, "R2 gap": 0.0242 }, { "": 2.0, "train MAE": 39217.0, "validation MAE": 53235.0, "MAE gap": 14017.0, "gap % of validation MAE": 26.33, "train R2": 0.9665, "validation R2": 0.9392, "R2 gap": 0.0274 }, { "": 3.0, "train MAE": 38980.0, "validation MAE": 53675.0, "MAE gap": 14695.0, "gap % of validation MAE": 27.38, "train R2": 0.9671, "validation R2": 0.9374, "R2 gap": 0.0297 }, { "": 4.0, "train MAE": 38775.0, "validation MAE": 54098.0, "MAE gap": 15323.0, "gap % of validation MAE": 28.32, "train R2": 0.9673, "validation R2": 0.9371, "R2 gap": 0.0302 }, { "": 5.0, "train MAE": 39110.0, "validation MAE": 53331.0, "MAE gap": 14221.0, "gap % of validation MAE": 26.66, "train R2": 0.9672, "validation R2": 0.9361, "R2 gap": 0.0312 }, { "": "mean", "train MAE": 39052.0, "validation MAE": 53541.0, "MAE gap": 14488.0, "gap % of validation MAE": 27.06, "train R2": 0.9669, "validation R2": 0.9384, "R2 gap": 0.0285 }, { "": "sd", "train MAE": 160.0, "validation MAE": 316.0, "MAE gap": 474.0, "gap % of validation MAE": 0.72, "train R2": 0.0004, "validation R2": 0.0021, "R2 gap": 0.0025 } ] } ], "ablation": [], "overfit": [ "PASS validation เทียบ CV : ต่างกัน -1,331 บาท (-2.49%) เกณฑ์ ±1,725 บาท (2 SE)", "PASS test เทียบ CV : ต่างกัน -125 บาท (-0.23%) เกณฑ์ ±1,782 บาท (2 SE)", "PASS validation เทียบ OOB : ต่างกัน -546 บาท (-1.03%) เกณฑ์ ±1,814 บาท (2 SE)", "PASS test เทียบ OOB : ต่างกัน +661 บาท (+1.25%) เกณฑ์ ±1,868 บาท (2 SE)", "PASS test เทียบ validation : ต่างกัน +1,207 บาท (+2.31%) เกณฑ์ ±2,448 บาท (2 SE)", "PASS learning curve (3,760 -> 37,600 แถว): test MAE 66,027 -> 53,422 บาท, gap 21,352 -> 14,502 บาท (ต้องลดลงทั้งคู่)" ], "plots": { "learning": "img/RF_merge50minC_learning.png", "permutation": "img/RF_merge50minC_permutation.png", "model_based": "img/RF_merge50minC_model_based.png" }, "data": { "rows": 47001, "split": [ { "ชุด": "train", "แถว": 37600.0, "สัดส่วน (%)": 80.0, "จำนวนรุ่น": 115.0 }, { "ชุด": "validation", "แถว": 4700.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 115.0 }, { "ชุด": "test", "แถว": 4701.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 115.0 } ], "models": 115.0 }, "params": [ { "parameter": "max_features", "value": 0.3, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [0.2, 0.3, 0.4, 0.5, 0.6, 0.8, 1.0])", "explanation": "จำนวนหรือสัดส่วนตัวแปรที่ใช้เลือกจุดแตกกิ่ง; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (อยู่ด้านในของ grid)।", "kind": "tuned", "search_range": [ 0.2, 0.3, 0.4, 0.5, 0.6, 0.8, 1.0 ], "grid_edge": "PASS (อยู่ด้านในของ grid)", "candidate_source": "PARAM_GRID" }, { "parameter": "min_samples_leaf", "value": 2, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [1, 2, 3, 4, 6, 8])", "explanation": "จำนวนแถวขั้นต่ำต่อใบ; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (อยู่ด้านในของ grid)।", "kind": "tuned", "search_range": [ 1, 2, 3, 4, 6, 8 ], "grid_edge": "PASS (อยู่ด้านในของ grid)", "candidate_source": "PARAM_GRID" }, { "parameter": "bootstrap", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "แต่ละต้นฝึกด้วยแถวที่สุ่มแบบหยิบแล้วใส่คืน (หัวใจของป่าสุ่ม และจำเป็นต่อ OOB); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "ccp_alpha", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่ตัดกิ่ง ป่าคุมความซับซ้อนด้วยการเฉลี่ยหลายต้นและ min_samples_leaf; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "criterion", "value": "squared_error", "source": "กำหนดคงที่ในโค้ด", "explanation": "วัดคุณภาพการแตกกิ่งด้วย MSE (ค่าเริ่มต้น เร็ว เหมาะกับการทายราคา); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_depth", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ความลึกสูงสุด None = ไม่จำกัด ขนาดต้นไม้คุมด้วย min_samples_leaf แทน; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_leaf_nodes", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนใบสูงสุด None = ไม่จำกัด (ยังไม่ได้ทดสอบขีดจำกัดนี้); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_samples", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "bootstrap มีขนาดเท่าแถวฝึกทั้งหมด (pilot: ขนาดเล็กลงทำให้ MAE แย่ลง); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_impurity_decrease", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "แตกกิ่งได้แม้ลด error น้อย (ยังไม่ได้ทดสอบเกณฑ์นี้); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_samples_split", "value": 2, "source": "กำหนดคงที่ในโค้ด", "explanation": "รถขั้นต่ำในโหนดก่อนแตกกิ่ง (ค่าเริ่มต้น ยังไม่ได้ทดสอบการปรับ); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_weight_fraction_leaf", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนน้ำหนักขั้นต่ำต่อใบ 0 = ไม่ใช้ (ทุกแถวน้ำหนักเท่ากัน); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "monotonic_cst", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่บังคับทิศทางความสัมพันธ์ของตัวแปรกับราคา; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "n_estimators", "value": 300, "source": "กราฟ OOB", "explanation": "จำนวนต้นไม้ ตั้งตายตัวตรงที่ OOB error แบนแล้ว (เซลล์ [03]); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "n_jobs", "value": 20, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ที่ใช้ฝึกและทายพร้อมกัน (เซลล์ [03]); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "oob_score", "value": false, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่คำนวณ OOB ระหว่าง grid search เพื่อประหยัดเวลา (เซลล์ [38] เปิดเอง); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มคงที่ ทั้ง bootstrap และการสุ่ม feature ให้ผลซ้ำได้; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "verbose", "value": 0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่พิมพ์ความคืบหน้าระหว่างฝึก; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "warm_start", "value": false, "source": "กำหนดคงที่ในโค้ด", "explanation": "ฝึกใหม่ทั้งป่าทุกครั้ง (เซลล์ [38] เปิดเพื่อเพิ่มต้นไม้ทีละช่วง); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "SEED", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มกลาง ใช้ทุกที่ที่มีการสุ่ม เพื่อให้ผลซ้ำได้।", "kind": "fixed" }, { "parameter": "N_FOLDS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน fold ของ cross-validation।", "kind": "fixed" }, { "parameter": "NUM_COLS", "value": [ "engine", "mileage", "car_age" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ตัวเลข।", "kind": "fixed" }, { "parameter": "CAT_COLS", "value": [ "brand", "model", "car_type", "fuel", "gear" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ประเภทกลุ่ม।", "kind": "fixed" }, { "parameter": "DATA_SHA256", "value": "191adb789285fe531bf82521e7ac0892020cbf0bf4325d22f6a657fabaab8aa1", "source": "กำหนดคงที่ในโค้ด", "explanation": "ลายนิ้วมือไฟล์ข้อมูล।", "kind": "fixed" }, { "parameter": "MODEL_NAME", "value": "RF", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อโมเดล ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "VERSION", "value": "v5", "source": "กำหนดคงที่ในโค้ด", "explanation": "เวอร์ชันของวิธีฝึก ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "CURRENT_YEAR", "value": 2026, "source": "กำหนดคงที่ในโค้ด", "explanation": "ปีที่เก็บข้อมูล ใช้คำนวณ car_age = CURRENT_YEAR - year।", "kind": "fixed" }, { "parameter": "TRAIN_SIZE", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "VAL_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "TEST_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "N_TREES", "value": 300, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนต้นไม้ในป่า (n_estimators) ตั้งตายตัว ไม่ปรับใน grid।", "kind": "fixed" }, { "parameter": "OOB_TREE_COUNTS", "value": [ 50, 100, 150, 200, 300, 400, 600, 800, 1000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนต้นที่วัด OOB error।", "kind": "fixed" }, { "parameter": "LC_FRACTIONS", "value": [ 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วน train ที่ใช้วาด learning curve: 10% ถึง 100%।", "kind": "fixed" }, { "parameter": "LC_REPEATS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนรอบสุ่มซ้ำของ learning curve ต่อหนึ่งสัดส่วน।", "kind": "fixed" }, { "parameter": "SEARCH_JOBS", "value": 1, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่รันพร้อมกันใน GridSearchCV (1 = ทีละโมเดล ประหยัดหน่วยความจำ)।", "kind": "fixed" }, { "parameter": "MODEL_THREADS", "value": 20, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ที่ป่าใช้ฝึกและทายพร้อมกัน (n_jobs ของ RandomForestRegressor)।", "kind": "fixed" }, { "parameter": "MAE_AXIS", "value": [ 20000, 90000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน MAE (บาท) ของ learning curve และ validation curve ครอบทุกโมเดล।", "kind": "fixed" }, { "parameter": "R2_AXIS", "value": [ 0.8, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน R² ของ learning curve।", "kind": "fixed" }, { "parameter": "ROWS_AXIS", "value": [ 0, 40000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของ learning curve: จำนวนแถวฝึก (ทุกโมเดลฝึกบนข้อมูลชุดเดียวกัน)।", "kind": "fixed" }, { "parameter": "FOLD_AXIS", "value": [ -0.5, 4.5 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของกราฟแท่งราย fold: ตำแหน่ง 0..4 (ต้องสัมพันธ์กับ N_FOLDS = 5)।", "kind": "fixed" }, { "parameter": "MAE_BAR_AXIS", "value": [ 0, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟแท่ง MAE ต่อ fold: แท่งต้องเริ่มที่ 0 จึงแยกจาก MAE_AXIS।", "kind": "fixed" }, { "parameter": "MAE_CCP_AXIS", "value": [ 50000, 130000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ ccp_alpha (เฉพาะ DT): ฝั่ง alpha สูงเกิน MAE_AXIS จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_OOB_AXIS", "value": [ 52000, 54000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ OOB (เฉพาะ RF): เส้นแบนมาก ถ้าใช้ MAE_AXIS เส้นจะเป็นขีดตรง จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_ROUND_AXIS", "value": [ 30000, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟรายรอบ (เฉพาะ XGB): ตัดรอบแรกๆ ที่ MAE สูงมากทิ้งเหมือนเดิม จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "RUN_ID", "value": "RF_merge50minC", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อการทดลอง; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "DATASET", "value": "merge_50min_clean.csv", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อชุดข้อมูล; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "VARIANT", "value": "base", "source": "กำหนดคงที่ในโค้ด", "explanation": "รูปแบบ base หรือ adj; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "PERM_AXIS", "value": [ 0, 150000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนกราฟ permutation importance; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "SHARE_AXIS", "value": [ 0, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนสัดส่วนความสำคัญตัวแปร; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "pipeline.target_transform", "value": "identity (บาท)", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้ราคาเป็นบาทโดยไม่แปลงเป้าหมาย; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "FoldOneHot.scale_numeric", "value": false, "source": "กำหนดคงที่ในโค้ด", "explanation": "กำหนดว่าจะปรับสเกลเฉพาะตัวเลขในแต่ละ fold หรือไม่ตาม pipeline; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "scaler", "value": "ไม่มี", "source": "กำหนดคงที่ในโค้ด", "explanation": "ส่งค่าตัวเลขเดิมเข้าโมเดลตามโค้ดโดยไม่ได้ปรับจูนการ scale।", "kind": "fixed" }, { "parameter": "encoder", "value": "FoldOneHot; numeric=float; dummy=float; dense", "source": "กำหนดคงที่ในโค้ด", "explanation": "แปลงหมวดหมู่เป็น 0/1 และต่อกับตัวเลขโดย fit ใหม่ในแต่ละ fold เพื่อป้องกันข้อมูลรั่ว।", "kind": "fixed" }, { "parameter": "FoldOneHot.reference", "value": "most frequent; ties: name ascending, stable", "source": "กำหนดคงที่ในโค้ด", "explanation": "ทิ้งระดับที่พบบ่อยที่สุดเพื่อลดคอลัมน์ซ้ำซ้อนและใช้ชื่อเรียงตัดสินเมื่อความถี่เสมอกันตามโค้ด।", "kind": "fixed" }, { "parameter": "FoldOneHot.unseen", "value": "all zeros", "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับที่ไม่เคยพบในแถวฝึกได้ศูนย์ทุกคอลัมน์ตามโค้ดเพื่อให้แปลงข้อมูลใหม่ได้।", "kind": "fixed" }, { "parameter": "split.strategy", "value": "stratify brand|model", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้กติกาแบ่งชุดของไฟล์นี้ร่วมกับ TRAIN_SIZE/VAL_SIZE/TEST_SIZE และ SEED ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.shuffle", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "สลับลำดับแถวก่อนแบ่ง fold เพื่อให้กระจายข้อมูล; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มของการแบ่ง fold เพื่อทำผลซ้ำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.scoring", "value": "{'MAE': 'neg_mean_absolute_error', 'RMSE': 'neg_root_mean_squared_error', 'MAPE': 'neg_mean_absolute_percentage_error', 'R2': 'r2', 'leaves': count_leaves_scorer}", "source": "กำหนดคงที่ในโค้ด", "explanation": "ตัววัด CV โดยใช้ MAE หน่วยบาทเลือกผู้ชนะและใช้ใบวัดความซับซ้อน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.refit", "value": "select_1se", "source": "กำหนดคงที่ในโค้ด", "explanation": "ฟังก์ชันเลือกชุดค่าด้วยกฎ 1-SE แล้วฝึกผู้ชนะบน train ทั้งชุด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.return_train_score", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "เก็บคะแนน train เพื่อเทียบกับ CV; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.error_score", "value": "raise", "source": "กำหนดคงที่ในโค้ด", "explanation": "ให้หยุดเมื่อการฝึกเกิดข้อผิดพลาด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.n_jobs", "value": 1, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่ทำพร้อมกัน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.pre_dispatch", "value": 1, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานที่ส่งล่วงหน้าเพื่อคุมหน่วยความจำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.verbose", "value": 0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับข้อความความคืบหน้าของการค้นหา; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "selection.1SE", "value": "min CV MAE + SD(ddof=0)/sqrt(N_FOLDS); min leaves → CV MAE → index", "source": "กำหนดคงที่ในโค้ด", "explanation": "เลือกใบน้อยที่สุดในช่วงหนึ่ง SE จาก MAE ต่ำสุด; DT นับใบบน train ทั้งชุด ส่วน RF/XGB ใช้ค่าเฉลี่ยใบรวมจาก CV ตามโค้ด।", "kind": "fixed" } ], "missing": [], "runtime": { "start": "2026-10-26 02:44:44", "end": "2026-10-26 03:03:09", "status": "ok", "seconds": 1105.0 } }, { "run_id": "XGB_merge50minC", "notebook": "XGB/XGB_merge50minC.ipynb", "model": "XGB", "dataset": "merge50minC", "variant": "base", "result": { "run_id": "XGB_merge50minC", "model": "XGB", "dataset": "merge_50min_clean.csv", "variant": "base", "version": "v5", "features": [ "engine", "mileage", "car_age", "brand", "model", "car_type", "fuel", "gear" ], "train": { "R2": 0.9629954695701599, "RMSE": 63376.7674783118, "MAE": 42882.9765625, "MAPE": 0.0846389067735716 }, "validation": { "R2": 0.9435633420944214, "RMSE": 76625.12089386875, "MAE": 51228.734375, "MAPE": 0.09931620222261506 }, "test": { "R2": 0.9431384801864624, "RMSE": 78051.54235503613, "MAE": 52194.87109375, "MAPE": 0.10039211162910083 }, "best_params": { "max_depth": 16, "min_child_weight": 1, "n_estimators": 100, "reg_lambda": 10.0 } }, "importance": { "run_id": "XGB_merge50minC", "permutation": { "engine": { "mean": 118108.20234375, "std": 1459.7771553607038 }, "mileage": { "mean": 21781.16875, "std": 790.8758702657321 }, "car_age": { "mean": 121912.71328125, "std": 1709.5093762767506 }, "brand": { "mean": 47699.84921875, "std": 856.0015372702796 }, "model": { "mean": 32929.0421875, "std": 626.9228773413131 }, "car_type": { "mean": 51649.66953125, "std": 1235.333251360338 }, "fuel": { "mean": 13095.772265625, "std": 550.6468821722119 }, "gear": { "mean": 7047.170703125, "std": 231.25533814606536 } }, "model_based": { "engine": 0.011431964509630355, "mileage": 0.0004962590053940571, "car_age": 0.00585587614900077, "brand": 0.21166452521129817, "model": 0.45618749085083266, "car_type": 0.2939828832646027, "fuel": 0.014586573298325184, "gear": 0.005794427710916118 } }, "cv": { "mean": 52646.0, "sd": 261.0, "source": "ตาราง CV train เทียบ validation", "precision": "printed integer baht" }, "cv_tables": [ { "kind": "search_candidates", "rows": [ { "candidate": 190.0, "chosen": "", "eligible": "yes", "leaves": 111065.0, "rank": 1.0, "max_depth": 20.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 100.0, "cv_mae": 52578.0, "cv_mae_sd": 272.0, "train_mae": 38905.0, "gap": 13673.0 }, { "candidate": 130.0, "chosen": "*", "eligible": "yes", "leaves": 65640.0, "rank": 2.0, "max_depth": 16.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 100.0, "cv_mae": 52646.0, "cv_mae_sd": 261.0, "train_mae": 42317.0, "gap": 10330.0 }, { "candidate": 134.0, "chosen": "", "eligible": "", "leaves": 112785.0, "rank": 3.0, "max_depth": 16.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 200.0, "cv_mae": 52702.0, "cv_mae_sd": 292.0, "train_mae": 38582.0, "gap": 14119.0 }, { "candidate": 74.0, "chosen": "", "eligible": "", "leaves": 49807.0, "rank": 4.0, "max_depth": 12.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 200.0, "cv_mae": 52739.0, "cv_mae_sd": 407.0, "train_mae": 43788.0, "gap": 8951.0 }, { "candidate": 78.0, "chosen": "", "eligible": "", "leaves": 75180.0, "rank": 5.0, "max_depth": 12.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 300.0, "cv_mae": 52745.0, "cv_mae_sd": 407.0, "train_mae": 41328.0, "gap": 11417.0 }, { "candidate": 250.0, "chosen": "", "eligible": "", "leaves": 159419.0, "rank": 6.0, "max_depth": 24.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 100.0, "cv_mae": 52747.0, "cv_mae_sd": 305.0, "train_mae": 36442.0, "gap": 16305.0 }, { "candidate": 210.0, "chosen": "", "eligible": "", "leaves": 57328.0, "rank": 7.0, "max_depth": 20.0, "min_child_weight": 5.0, "reg_lambda": 10.0, "n_estimators": 100.0, "cv_mae": 52866.0, "cv_mae_sd": 317.0, "train_mae": 42355.0, "gap": 10511.0 }, { "candidate": 259.0, "chosen": "", "eligible": "", "leaves": 347610.0, "rank": 8.0, "max_depth": 24.0, "min_child_weight": 1.0, "reg_lambda": 100.0, "n_estimators": 300.0, "cv_mae": 52900.0, "cv_mae_sd": 433.0, "train_mae": 40059.0, "gap": 12841.0 }, { "candidate": 69.0, "chosen": "", "eligible": "", "leaves": 48226.0, "rank": 9.0, "max_depth": 12.0, "min_child_weight": 1.0, "reg_lambda": 1.0, "n_estimators": 100.0, "cv_mae": 52925.0, "cv_mae_sd": 370.0, "train_mae": 40337.0, "gap": 12588.0 }, { "candidate": 199.0, "chosen": "", "eligible": "", "leaves": 231224.0, "rank": 10.0, "max_depth": 20.0, "min_child_weight": 1.0, "reg_lambda": 100.0, "n_estimators": 300.0, "cv_mae": 52927.0, "cv_mae_sd": 456.0, "train_mae": 42140.0, "gap": 10787.0 } ] }, { "kind": "fold_scores", "rows": [ { "": 1.0, "train MAE": 42395.0, "validation MAE": 52440.0, "MAE gap": 10045.0, "gap % of validation MAE": 19.16, "train R2": 0.9637, "validation R2": 0.9442, "R2 gap": 0.0194 }, { "": 2.0, "train MAE": 42089.0, "validation MAE": 52551.0, "MAE gap": 10462.0, "gap % of validation MAE": 19.91, "train R2": 0.9642, "validation R2": 0.9411, "R2 gap": 0.0231 }, { "": 3.0, "train MAE": 42302.0, "validation MAE": 52811.0, "MAE gap": 10509.0, "gap % of validation MAE": 19.9, "train R2": 0.9641, "validation R2": 0.9396, "R2 gap": 0.0245 }, { "": 4.0, "train MAE": 42271.0, "validation MAE": 53069.0, "MAE gap": 10799.0, "gap % of validation MAE": 20.35, "train R2": 0.9638, "validation R2": 0.9399, "R2 gap": 0.0239 }, { "": 5.0, "train MAE": 42526.0, "validation MAE": 52360.0, "MAE gap": 9834.0, "gap % of validation MAE": 18.78, "train R2": 0.9642, "validation R2": 0.9386, "R2 gap": 0.0256 }, { "": "mean", "train MAE": 42317.0, "validation MAE": 52646.0, "MAE gap": 10330.0, "gap % of validation MAE": 19.62, "train R2": 0.964, "validation R2": 0.9407, "R2 gap": 0.0233 }, { "": "sd", "train MAE": 144.0, "validation MAE": 261.0, "MAE gap": 345.0, "gap % of validation MAE": 0.57, "train R2": 0.0002, "validation R2": 0.0019, "R2 gap": 0.0021 } ] } ], "ablation": [], "overfit": [ "PASS : validation MAE ต่างจาก CV MAE ไม่เกิน 5% (generalisation)", "PASS : test MAE ต่างจาก CV MAE ไม่เกิน 5% (generalisation)", "PASS : จำนวนรอบอยู่ในช่วง 1 SE ของจุดที่ CV MAE ต่ำสุด (ไม่น้อยหรือมากเกินไป)", "PASS : ช่องว่าง test - train แคบลงเมื่อเพิ่มข้อมูลฝึก (learning curve)" ], "plots": { "learning": "img/XGB_merge50minC_learning.png", "permutation": "img/XGB_merge50minC_permutation.png", "model_based": "img/XGB_merge50minC_model_based.png" }, "data": { "rows": 47001, "split": [ { "ชุด": "train", "แถว": 37600.0, "สัดส่วน (%)": 80.0, "จำนวนรุ่น": 115.0 }, { "ชุด": "validation", "แถว": 4700.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 115.0 }, { "ชุด": "test", "แถว": 4701.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 115.0 } ], "models": 115.0 }, "params": [ { "parameter": "max_depth", "value": 16, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [8, 12, 16, 20, 24])", "explanation": "ความลึกสูงสุดของต้นไม้; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (inside)।", "kind": "tuned", "search_range": [ 8, 12, 16, 20, 24 ], "grid_edge": "PASS (inside)", "candidate_source": "PARAM_GRID" }, { "parameter": "min_child_weight", "value": 1, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [1, 5, 20])", "explanation": "น้ำหนัก Hessian ขั้นต่ำของโหนดลูก; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (natural bound) (min edge)।", "kind": "tuned", "search_range": [ 1, 5, 20 ], "grid_edge": "PASS (natural bound) (min edge)", "candidate_source": "PARAM_GRID" }, { "parameter": "n_estimators", "value": 100, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [25, 50, 100, 200, 300])", "explanation": "จำนวนต้นไม้หรือรอบ boosting; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (inside)।", "kind": "tuned", "search_range": [ 25, 50, 100, 200, 300 ], "grid_edge": "PASS (inside)", "candidate_source": "PARAM_GRID" }, { "parameter": "reg_lambda", "value": 10.0, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [0.0, 1.0, 10.0, 100.0])", "explanation": "บทลงโทษ L2 ของค่าในใบ; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (inside)।", "kind": "tuned", "search_range": [ 0.0, 1.0, 10.0, 100.0 ], "grid_edge": "PASS (inside)", "candidate_source": "PARAM_GRID" }, { "parameter": "objective", "value": "reg:squarederror", "source": "กำหนดคงที่ในโค้ด", "explanation": "เรียนรู้จากความผิดพลาดยกกำลังสอง (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "booster", "value": "gbtree", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้ต้นไม้เป็นตัวเรียนรู้ย่อย (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "colsample_bytree", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "แต่ละต้นสุ่มเห็นคอลัมน์ 80%; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "early_stopping_rounds", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่หยุดก่อนครบรอบ (จำนวนรอบเลือกด้วย CV ใน grid); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "eval_metric", "value": "mae", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้เฉพาะตอนส่ง eval_set ในเซลล์ [38] เพื่อวาดกราฟรายรอบ; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "gamma", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "error ต้องลดอย่างน้อยเท่านี้จึงแตกกิ่ง 0 = ไม่บังคับ (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "grow_policy", "value": "depthwise", "source": "กำหนดคงที่ในโค้ด", "explanation": "โตทีละชั้นจนถึง max_depth (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "learning_rate", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "ย่อขนาดการแก้ของแต่ละต้น (คงที่ ดูเซลล์ [03]); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_bin", "value": 256, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนช่วงต่อคอลัมน์ของ hist (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_delta_step", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำกัดขนาดค่าในใบ 0 = ไม่จำกัด (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "n_jobs", "value": 3, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ภายในโมเดล (คงที่ทั้งโน้ตบุ๊ค); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มคงที่ ให้ผลซ้ำได้; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "reg_alpha", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "บทลงโทษ L1 ของค่าในใบ 0 = ไม่ใช้ (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "subsample", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "แต่ละต้นสุ่มเห็นแถว 80% ของข้อมูลฝึก; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "tree_method", "value": "hist", "source": "กำหนดคงที่ในโค้ด", "explanation": "แบ่งค่าเป็นช่วง (histogram) ก่อนหาจุดตัด เร็วกว่าวิธี exact มาก; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "SEED", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มกลาง ใช้ทุกที่ที่มีการสุ่ม เพื่อให้ผลซ้ำได้।", "kind": "fixed" }, { "parameter": "N_FOLDS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน fold ของ cross-validation।", "kind": "fixed" }, { "parameter": "NUM_COLS", "value": [ "engine", "mileage", "car_age" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ตัวเลข।", "kind": "fixed" }, { "parameter": "CAT_COLS", "value": [ "brand", "model", "car_type", "fuel", "gear" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ประเภทกลุ่ม।", "kind": "fixed" }, { "parameter": "DATA_SHA256", "value": "191adb789285fe531bf82521e7ac0892020cbf0bf4325d22f6a657fabaab8aa1", "source": "กำหนดคงที่ในโค้ด", "explanation": "ลายนิ้วมือไฟล์ข้อมูล।", "kind": "fixed" }, { "parameter": "MODEL_NAME", "value": "XGB", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อโมเดล ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "VERSION", "value": "v5", "source": "กำหนดคงที่ในโค้ด", "explanation": "เวอร์ชันของวิธีฝึก ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "CURRENT_YEAR", "value": 2026, "source": "กำหนดคงที่ในโค้ด", "explanation": "ปีที่เก็บข้อมูล ใช้คำนวณ car_age = CURRENT_YEAR - year।", "kind": "fixed" }, { "parameter": "TRAIN_SIZE", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "VAL_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "TEST_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "LEARNING_RATE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "ขนาดก้าวของ boosting (คงที่ ไม่อยู่ใน grid)।", "kind": "fixed" }, { "parameter": "LC_FRACTIONS", "value": [ 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วน train ที่ใช้วาด learning curve: 10% ถึง 100%।", "kind": "fixed" }, { "parameter": "LC_REPEATS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนรอบสุ่มซ้ำของ learning curve ต่อหนึ่งสัดส่วน।", "kind": "fixed" }, { "parameter": "SEARCH_JOBS", "value": 6, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานที่รันพร้อมกันใน GridSearchCV (process คู่ขนาน)।", "kind": "fixed" }, { "parameter": "MODEL_THREADS", "value": 3, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ที่โมเดลแต่ละตัวใช้ภายใน।", "kind": "fixed" }, { "parameter": "MAE_AXIS", "value": [ 20000, 90000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน MAE (บาท) ของ learning curve และ validation curve ครอบทุกโมเดล।", "kind": "fixed" }, { "parameter": "R2_AXIS", "value": [ 0.8, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน R² ของ learning curve।", "kind": "fixed" }, { "parameter": "ROWS_AXIS", "value": [ 0, 40000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของ learning curve: จำนวนแถวฝึก (ทุกโมเดลฝึกบนข้อมูลชุดเดียวกัน)।", "kind": "fixed" }, { "parameter": "FOLD_AXIS", "value": [ -0.5, 4.5 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของกราฟแท่งราย fold: ตำแหน่ง 0..4 (ต้องสัมพันธ์กับ N_FOLDS = 5)।", "kind": "fixed" }, { "parameter": "MAE_BAR_AXIS", "value": [ 0, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟแท่ง MAE ต่อ fold: แท่งต้องเริ่มที่ 0 จึงแยกจาก MAE_AXIS।", "kind": "fixed" }, { "parameter": "MAE_CCP_AXIS", "value": [ 50000, 130000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ ccp_alpha (เฉพาะ DT): ฝั่ง alpha สูงเกิน MAE_AXIS จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_OOB_AXIS", "value": [ 52000, 54000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ OOB (เฉพาะ RF): เส้นแบนมาก ถ้าใช้ MAE_AXIS เส้นจะเป็นขีดตรง จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_ROUND_AXIS", "value": [ 30000, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟรายรอบ (เฉพาะ XGB): ตัดรอบแรกๆ ที่ MAE สูงมากทิ้งเหมือนเดิม จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "RUN_ID", "value": "XGB_merge50minC", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อการทดลอง; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "DATASET", "value": "merge_50min_clean.csv", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อชุดข้อมูล; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "VARIANT", "value": "base", "source": "กำหนดคงที่ในโค้ด", "explanation": "รูปแบบ base หรือ adj; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "PERM_AXIS", "value": [ 0, 150000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนกราฟ permutation importance; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "SHARE_AXIS", "value": [ 0, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนสัดส่วนความสำคัญตัวแปร; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "pipeline.target_transform", "value": "identity (บาท)", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้ราคาเป็นบาทโดยไม่แปลงเป้าหมาย; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "FoldOneHot.scale_numeric", "value": false, "source": "กำหนดคงที่ในโค้ด", "explanation": "กำหนดว่าจะปรับสเกลเฉพาะตัวเลขในแต่ละ fold หรือไม่ตาม pipeline; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "scaler", "value": "ไม่มี", "source": "กำหนดคงที่ในโค้ด", "explanation": "ส่งค่าตัวเลขเดิมเข้าโมเดลตามโค้ดโดยไม่ได้ปรับจูนการ scale।", "kind": "fixed" }, { "parameter": "encoder", "value": "FoldOneHot; numeric=float; dummy=float; dense", "source": "กำหนดคงที่ในโค้ด", "explanation": "แปลงหมวดหมู่เป็น 0/1 และต่อกับตัวเลขโดย fit ใหม่ในแต่ละ fold เพื่อป้องกันข้อมูลรั่ว।", "kind": "fixed" }, { "parameter": "FoldOneHot.reference", "value": "most frequent; ties: name ascending, stable", "source": "กำหนดคงที่ในโค้ด", "explanation": "ทิ้งระดับที่พบบ่อยที่สุดเพื่อลดคอลัมน์ซ้ำซ้อนและใช้ชื่อเรียงตัดสินเมื่อความถี่เสมอกันตามโค้ด।", "kind": "fixed" }, { "parameter": "FoldOneHot.unseen", "value": "all zeros", "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับที่ไม่เคยพบในแถวฝึกได้ศูนย์ทุกคอลัมน์ตามโค้ดเพื่อให้แปลงข้อมูลใหม่ได้।", "kind": "fixed" }, { "parameter": "split.strategy", "value": "stratify brand|model", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้กติกาแบ่งชุดของไฟล์นี้ร่วมกับ TRAIN_SIZE/VAL_SIZE/TEST_SIZE และ SEED ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.shuffle", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "สลับลำดับแถวก่อนแบ่ง fold เพื่อให้กระจายข้อมูล; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มของการแบ่ง fold เพื่อทำผลซ้ำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.scoring", "value": "{'MAE': 'neg_mean_absolute_error', 'RMSE': 'neg_root_mean_squared_error', 'MAPE': 'neg_mean_absolute_percentage_error', 'R2': 'r2', 'leaves': count_leaves_scorer}", "source": "กำหนดคงที่ในโค้ด", "explanation": "ตัววัด CV โดยใช้ MAE หน่วยบาทเลือกผู้ชนะและใช้ใบวัดความซับซ้อน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.refit", "value": "select_1se", "source": "กำหนดคงที่ในโค้ด", "explanation": "ฟังก์ชันเลือกชุดค่าด้วยกฎ 1-SE แล้วฝึกผู้ชนะบน train ทั้งชุด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.return_train_score", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "เก็บคะแนน train เพื่อเทียบกับ CV; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.error_score", "value": "raise", "source": "กำหนดคงที่ในโค้ด", "explanation": "ให้หยุดเมื่อการฝึกเกิดข้อผิดพลาด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.n_jobs", "value": 6, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่ทำพร้อมกัน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.pre_dispatch", "value": 6, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานที่ส่งล่วงหน้าเพื่อคุมหน่วยความจำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.verbose", "value": 0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับข้อความความคืบหน้าของการค้นหา; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "selection.1SE", "value": "min CV MAE + SD(ddof=0)/sqrt(N_FOLDS); min leaves → CV MAE → index", "source": "กำหนดคงที่ในโค้ด", "explanation": "เลือกใบน้อยที่สุดในช่วงหนึ่ง SE จาก MAE ต่ำสุด; DT นับใบบน train ทั้งชุด ส่วน RF/XGB ใช้ค่าเฉลี่ยใบรวมจาก CV ตามโค้ด।", "kind": "fixed" }, { "parameter": "base_score", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ค่าทำนายเริ่มต้น; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "callbacks", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ฟังก์ชันเสริมระหว่างฝึก; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "colsample_bylevel", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "สัดส่วนคอลัมน์ที่สุ่มต่อระดับ; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "colsample_bynode", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "สัดส่วนคอลัมน์ที่สุ่มต่อโหนด; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "device", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "อุปกรณ์ประมวลผล; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "enable_categorical", "value": true, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "การอนุญาตข้อมูลหมวดหมู่แบบ native; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน; pipeline ใช้ FoldOneHot จึงไม่ได้ส่งหมวดหมู่ native।", "kind": "default" }, { "parameter": "feature_types", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ชนิดข้อมูลของตัวแปร; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "feature_weights", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "น้ำหนักในการสุ่มตัวแปร; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "importance_type", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "วิธีสรุปความสำคัญตัวแปร; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "interaction_constraints", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ข้อจำกัดปฏิสัมพันธ์ของตัวแปร; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "max_cat_threshold", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "จำนวนหมวดหมู่สูงสุดที่พิจารณาจุดแบ่ง; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน); pipeline ใช้ FoldOneHot จึงไม่ได้ส่งหมวดหมู่ native।", "kind": "default" }, { "parameter": "max_cat_to_onehot", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "เกณฑ์เลือก one-hot สำหรับข้อมูลหมวดหมู่ native; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน); pipeline ใช้ FoldOneHot จึงไม่ได้ส่งหมวดหมู่ native।", "kind": "default" }, { "parameter": "max_leaves", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "จำนวนใบสูงสุด; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "missing", "value": "NaN", "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ค่าที่ใช้แทนข้อมูลสูญหาย; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน।", "kind": "default" }, { "parameter": "monotone_constraints", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ข้อบังคับทิศทางความสัมพันธ์; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "multi_strategy", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "วิธีเรียนรู้หลายเป้าหมาย; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "num_parallel_tree", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "จำนวนต้นไม้ขนานต่อรอบ; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "sampling_method", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "วิธีสุ่มแถวฝึก; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "scale_pos_weight", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "น้ำหนักสัมพัทธ์ของคลาสบวก; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "validate_parameters", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "การตรวจชื่อพารามิเตอร์; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "verbosity", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ระดับข้อความของ XGBoost; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" } ], "missing": [], "runtime": { "start": "2026-10-26 03:03:09", "end": "2026-10-26 03:36:21", "status": "ok", "seconds": 1991.0 } }, { "run_id": "DT_merge50minC_adj", "notebook": "DT/DT_merge50minC_adj.ipynb", "model": "DT", "dataset": "merge50minC", "variant": "adj", "result": { "run_id": "DT_merge50minC_adj", "model": "DT", "dataset": "merge_50min_clean.csv", "variant": "adj", "version": "v5", "features": [ "engine", "mileage", "car_age", "brand", "model", "car_type", "fuel", "gear" ], "train": { "R2": 0.9543421871663219, "RMSE": 70397.99654410724, "MAE": 47147.17550681636, "MAPE": 0.08773456570508097 }, "validation": { "R2": 0.9238705429710486, "RMSE": 88995.23934877825, "MAE": 56283.13870841901, "MAPE": 0.10652380266660444 }, "test": { "R2": 0.9262389810302329, "RMSE": 88896.69647434758, "MAE": 57187.17605445705, "MAPE": 0.10724654086293987 }, "best_params": { "ccp_alpha": 2.7592604952954323e-06, "max_depth": null, "min_samples_leaf": 1 } }, "importance": { "run_id": "DT_merge50minC_adj", "permutation": { "engine": { "mean": 144512.2421757915, "std": 2015.4324788751805 }, "mileage": { "mean": 18124.655942749676, "std": 1198.4803795856023 }, "car_age": { "mean": 128689.46596652933, "std": 1751.8115360809686 }, "brand": { "mean": 55891.50106501639, "std": 979.107106140487 }, "model": { "mean": 35257.39767703846, "std": 647.5129869431502 }, "car_type": { "mean": 74014.37607262761, "std": 1584.8572874268593 }, "fuel": { "mean": 18968.308723092363, "std": 983.6590592981568 }, "gear": { "mean": 5685.29597789446, "std": 212.09184768850173 } }, "model_based": { "engine": 0.258811601388008, "mileage": 0.024568824040969658, "car_age": 0.3770547989575815, "brand": 0.10568761762360342, "model": 0.07412299200092047, "car_type": 0.12747284932757705, "fuel": 0.019868319986366043, "gear": 0.012412996674973958 } }, "cv": { "mean": 57379.0, "sd": 244.0, "source": "ตาราง CV train เทียบ validation", "precision": "printed integer baht" }, "cv_tables": [ { "kind": "search_candidates", "rows": [ { "candidate": 144.0, "chosen": "*", "eligible": "yes", "leaves": 1721.0, "rank": 1.0, "max_depth": "None", "min_samples_leaf": 1.0, "ccp_alpha": 2.759e-06, "cv_mae": 57379.0, "cv_mae_sd": 244.0, "train_mae": 45283.0, "gap": 12095.0 }, { "candidate": 138.0, "chosen": "", "eligible": "", "leaves": "", "rank": 2.0, "max_depth": 25.0, "min_samples_leaf": 1.0, "ccp_alpha": 2.759e-06, "cv_mae": 57651.0, "cv_mae_sd": 469.0, "train_mae": 45773.0, "gap": 11878.0 }, { "candidate": 145.0, "chosen": "", "eligible": "", "leaves": "", "rank": 3.0, "max_depth": "None", "min_samples_leaf": 5.0, "ccp_alpha": 2.759e-06, "cv_mae": 58139.0, "cv_mae_sd": 505.0, "train_mae": 49935.0, "gap": 8204.0 }, { "candidate": 115.0, "chosen": "", "eligible": "", "leaves": "", "rank": 4.0, "max_depth": "None", "min_samples_leaf": 5.0, "ccp_alpha": 1.334e-06, "cv_mae": 58185.0, "cv_mae_sd": 553.0, "train_mae": 47309.0, "gap": 10876.0 }, { "candidate": 139.0, "chosen": "", "eligible": "", "leaves": "", "rank": 5.0, "max_depth": 25.0, "min_samples_leaf": 5.0, "ccp_alpha": 2.759e-06, "cv_mae": 58248.0, "cv_mae_sd": 715.0, "train_mae": 50123.0, "gap": 8125.0 }, { "candidate": 109.0, "chosen": "", "eligible": "", "leaves": "", "rank": 6.0, "max_depth": 25.0, "min_samples_leaf": 5.0, "ccp_alpha": 1.334e-06, "cv_mae": 58259.0, "cv_mae_sd": 714.0, "train_mae": 47605.0, "gap": 10654.0 }, { "candidate": 174.0, "chosen": "", "eligible": "", "leaves": "", "rank": 7.0, "max_depth": "None", "min_samples_leaf": 1.0, "ccp_alpha": 5.71e-06, "cv_mae": 58344.0, "cv_mae_sd": 274.0, "train_mae": 51051.0, "gap": 7293.0 }, { "candidate": 114.0, "chosen": "", "eligible": "", "leaves": "", "rank": 8.0, "max_depth": "None", "min_samples_leaf": 1.0, "ccp_alpha": 1.334e-06, "cv_mae": 58423.0, "cv_mae_sd": 135.0, "train_mae": 38250.0, "gap": 20173.0 }, { "candidate": 168.0, "chosen": "", "eligible": "", "leaves": "", "rank": 9.0, "max_depth": 25.0, "min_samples_leaf": 1.0, "ccp_alpha": 5.71e-06, "cv_mae": 58455.0, "cv_mae_sd": 411.0, "train_mae": 51255.0, "gap": 7200.0 }, { "candidate": 85.0, "chosen": "", "eligible": "", "leaves": "", "rank": 10.0, "max_depth": "None", "min_samples_leaf": 5.0, "ccp_alpha": 6.443e-07, "cv_mae": 58601.0, "cv_mae_sd": 523.0, "train_mae": 45600.0, "gap": 13001.0 } ] }, { "kind": "fold_scores", "rows": [ { "": 1.0, "train MAE": 45130.0, "validation MAE": 57388.0, "MAE gap": 12258.0, "gap % of validation MAE": 21.36, "train R2": 0.9581, "validation R2": 0.9282, "R2 gap": 0.0299 }, { "": 2.0, "train MAE": 45369.0, "validation MAE": 57653.0, "MAE gap": 12284.0, "gap % of validation MAE": 21.31, "train R2": 0.9577, "validation R2": 0.9271, "R2 gap": 0.0306 }, { "": 3.0, "train MAE": 45254.0, "validation MAE": 57118.0, "MAE gap": 11865.0, "gap % of validation MAE": 20.77, "train R2": 0.9586, "validation R2": 0.9194, "R2 gap": 0.0392 }, { "": 4.0, "train MAE": 45177.0, "validation MAE": 57645.0, "MAE gap": 12467.0, "gap % of validation MAE": 21.63, "train R2": 0.9582, "validation R2": 0.9271, "R2 gap": 0.0311 }, { "": 5.0, "train MAE": 45486.0, "validation MAE": 57089.0, "MAE gap": 11603.0, "gap % of validation MAE": 20.32, "train R2": 0.9582, "validation R2": 0.9219, "R2 gap": 0.0363 }, { "": "mean", "train MAE": 45283.0, "validation MAE": 57379.0, "MAE gap": 12095.0, "gap % of validation MAE": 21.08, "train R2": 0.9582, "validation R2": 0.9247, "R2 gap": 0.0334 }, { "": "sd", "train MAE": 130.0, "validation MAE": 244.0, "MAE gap": 315.0, "gap % of validation MAE": 0.47, "train R2": 0.0003, "validation R2": 0.0035, "R2 gap": 0.0037 } ] } ], "ablation": [ { "variant": "none", "CV MAE mean": 63112.525963, "CV MAE SD": 425.003273, "test MAE": 61229.704557, "test RMSE": 96352.296986, "test R2": 0.913348, "test MAPE": 0.116934, "change test MAE (baht)": 0.0, "change test MAE (%)": 0.0, "change CV MAE mean (baht)": 0.0, "change CV MAE mean (%)": 0.0 }, { "variant": "scale only", "CV MAE mean": 63098.13026, "CV MAE SD": 447.630314, "test MAE": 61175.308329, "test RMSE": 96317.862932, "test R2": 0.91341, "test MAPE": 0.11683, "change test MAE (baht)": -54.396228, "change test MAE (%)": -0.08884, "change CV MAE mean (baht)": -14.395703, "change CV MAE mean (%)": -0.02281 }, { "variant": "log only", "CV MAE mean": 57415.737361, "CV MAE SD": 235.151754, "test MAE": 57201.479838, "test RMSE": 88904.24646, "test R2": 0.926226, "test MAPE": 0.107283, "change test MAE (baht)": -4028.224719, "change test MAE (%)": -6.578873, "change CV MAE mean (baht)": -5696.788602, "change CV MAE mean (%)": -9.026399 }, { "variant": "both", "CV MAE mean": 57378.726943, "CV MAE SD": 244.029128, "test MAE": 57187.176054, "test RMSE": 88896.696474, "test R2": 0.926239, "test MAPE": 0.107247, "change test MAE (baht)": -4042.528503, "change test MAE (%)": -6.602234, "change CV MAE mean (baht)": -5733.79902, "change CV MAE mean (%)": -9.085041 } ], "overfit": [ "PASS validation เทียบ CV : ต่างกัน -1,096 บาท (-1.91%) เกณฑ์ ±2,023 บาท (2 SE)", "PASS test เทียบ CV : ต่างกัน -192 บาท (-0.33%) เกณฑ์ ±1,997 บาท (2 SE)", "PASS test เทียบ validation : ต่างกัน +904 บาท (+1.61%) เกณฑ์ ±2,826 บาท (2 SE)", "PASS learning curve (3,760 -> 37,600 แถว): test MAE 82,302 -> 57,267 บาท, gap 64,827 -> 10,120 บาท (ต้องลดลงทั้งคู่)" ], "plots": { "learning": "img/DT_merge50minC_adj_learning.png", "permutation": "img/DT_merge50minC_adj_permutation.png", "model_based": "img/DT_merge50minC_adj_model_based.png" }, "data": { "rows": 47001, "split": [ { "ชุด": "train", "แถว": 37600.0, "สัดส่วน (%)": 80.0, "จำนวนรุ่น": 115.0 }, { "ชุด": "validation", "แถว": 4700.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 115.0 }, { "ชุด": "test", "แถว": 4701.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 115.0 } ], "models": 115.0 }, "params": [ { "parameter": "ccp_alpha", "value": 2.7592604952954323e-06, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [0.0, 3.115e-07, 6.443e-07, 1.334e-06, 2.759e-06, 5.71e-06, 1.184e-05, 2.443e-05])", "explanation": "ความแรงของการตัดกิ่ง; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตัวเลือกจาก ccp path บน train และ CV (ช่วงแสดงตามผลพิมพ์ 4 หลักนัยสำคัญ); ตรวจขอบ: PASS (อยู่ด้านในของ grid)।", "kind": "tuned", "search_range": [ 0.0, 3.115e-07, 6.443e-07, 1.334e-06, 2.759e-06, 5.71e-06, 1.184e-05, 2.443e-05 ], "grid_edge": "PASS (อยู่ด้านในของ grid)", "candidate_source": "เลือกจาก ccp path" }, { "parameter": "max_depth", "value": null, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [10, 15, 20, 25, null])", "explanation": "ความลึกสูงสุดของต้นไม้; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (อยู่ที่ขอบธรรมชาติ ขยายต่อไม่ได้)।", "kind": "tuned", "search_range": [ 10, 15, 20, 25, null ], "grid_edge": "PASS (อยู่ที่ขอบธรรมชาติ ขยายต่อไม่ได้)", "candidate_source": "PARAM_GRID" }, { "parameter": "min_samples_leaf", "value": 1, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [1, 5, 7, 9, 12, 15])", "explanation": "จำนวนแถวขั้นต่ำต่อใบ; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (อยู่ที่ขอบธรรมชาติ ขยายต่อไม่ได้)।", "kind": "tuned", "search_range": [ 1, 5, 7, 9, 12, 15 ], "grid_edge": "PASS (อยู่ที่ขอบธรรมชาติ ขยายต่อไม่ได้)", "candidate_source": "PARAM_GRID" }, { "parameter": "criterion", "value": "squared_error", "source": "กำหนดคงที่ในโค้ด", "explanation": "วัดคุณภาพการแตกกิ่งด้วย MSE (ค่าเริ่มต้น เหมาะกับการทายราคา); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_features", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ทุกการแตกกิ่งเห็นตัวแปรครบ (ใช้กับต้นไม้ต้นเดียวได้ แต่ยังไม่ได้ทดสอบ); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_leaf_nodes", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนใบสูงสุด None = ไม่จำกัด (ยังไม่ได้ทดสอบขีดจำกัดนี้); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_impurity_decrease", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "แตกกิ่งได้แม้ลด error น้อย (ยังไม่ได้ทดสอบเกณฑ์นี้); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_samples_split", "value": 2, "source": "กำหนดคงที่ในโค้ด", "explanation": "รถขั้นต่ำในโหนดก่อนแตกกิ่ง (ค่าเริ่มต้น ยังไม่ได้ทดสอบการปรับ); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_weight_fraction_leaf", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนน้ำหนักขั้นต่ำต่อใบ 0 = ไม่ใช้ (ทุกแถวน้ำหนักเท่ากัน); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "monotonic_cst", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่บังคับทิศทางความสัมพันธ์ของตัวแปรกับราคา; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มคงที่ ใช้ตัดสินกรณีจุดตัดดีเท่ากัน ให้ผลซ้ำได้; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "splitter", "value": "best", "source": "กำหนดคงที่ในโค้ด", "explanation": "ลองทุกจุดตัดแล้วเลือกจุดที่ดีที่สุด ไม่สุ่ม; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "SEED", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มกลาง ใช้ทุกที่ที่มีการสุ่ม เพื่อให้ผลซ้ำได้।", "kind": "fixed" }, { "parameter": "N_FOLDS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน fold ของ cross-validation।", "kind": "fixed" }, { "parameter": "NUM_COLS", "value": [ "engine", "mileage", "car_age" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ตัวเลข।", "kind": "fixed" }, { "parameter": "CAT_COLS", "value": [ "brand", "model", "car_type", "fuel", "gear" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ประเภทกลุ่ม।", "kind": "fixed" }, { "parameter": "DATA_SHA256", "value": "191adb789285fe531bf82521e7ac0892020cbf0bf4325d22f6a657fabaab8aa1", "source": "กำหนดคงที่ในโค้ด", "explanation": "ลายนิ้วมือไฟล์ข้อมูล।", "kind": "fixed" }, { "parameter": "MODEL_NAME", "value": "DT", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อโมเดล ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "VERSION", "value": "v5", "source": "กำหนดคงที่ในโค้ด", "explanation": "เวอร์ชันของวิธีฝึก ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "CURRENT_YEAR", "value": 2026, "source": "กำหนดคงที่ในโค้ด", "explanation": "ปีที่เก็บข้อมูล ใช้คำนวณ car_age = CURRENT_YEAR - year।", "kind": "fixed" }, { "parameter": "TRAIN_SIZE", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "VAL_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "TEST_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "MIN_LEAVES", "value": 20, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนใบขั้นต่ำที่ยอมรับตอนเลือก ccp_alpha (heuristic)।", "kind": "fixed" }, { "parameter": "CCP_N_CANDIDATES", "value": 20, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนค่า ccp_alpha ที่คัดมาลอง (heuristic)।", "kind": "fixed" }, { "parameter": "CCP_NEIGHBOURS", "value": 3, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนค่าข้างเคียงที่เพิ่มรอบค่าที่เลือก (heuristic)।", "kind": "fixed" }, { "parameter": "LC_FRACTIONS", "value": [ 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วน train ที่ใช้วาด learning curve: 10% ถึง 100%।", "kind": "fixed" }, { "parameter": "LC_REPEATS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนรอบสุ่มซ้ำของ learning curve ต่อหนึ่งสัดส่วน।", "kind": "fixed" }, { "parameter": "SEARCH_JOBS", "value": 8, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่รันพร้อมกันใน GridSearchCV (SEARCH_JOBS x MODEL_THREADS ไม่เกิน 20)।", "kind": "fixed" }, { "parameter": "MODEL_THREADS", "value": 1, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ของไลบรารีคำนวณภายในแต่ละงาน (DT ฝึกด้วย thread เดียวอยู่แล้ว)।", "kind": "fixed" }, { "parameter": "MAE_AXIS", "value": [ 20000, 90000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน MAE (บาท) ของ learning curve และ validation curve ครอบทุกโมเดล।", "kind": "fixed" }, { "parameter": "R2_AXIS", "value": [ 0.8, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน R² ของ learning curve।", "kind": "fixed" }, { "parameter": "ROWS_AXIS", "value": [ 0, 40000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของ learning curve: จำนวนแถวฝึก (ทุกโมเดลฝึกบนข้อมูลชุดเดียวกัน)।", "kind": "fixed" }, { "parameter": "FOLD_AXIS", "value": [ -0.5, 4.5 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของกราฟแท่งราย fold: ตำแหน่ง 0..4 (ต้องสัมพันธ์กับ N_FOLDS = 5)।", "kind": "fixed" }, { "parameter": "MAE_BAR_AXIS", "value": [ 0, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟแท่ง MAE ต่อ fold: แท่งต้องเริ่มที่ 0 จึงแยกจาก MAE_AXIS।", "kind": "fixed" }, { "parameter": "MAE_CCP_AXIS", "value": [ 50000, 130000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ ccp_alpha (เฉพาะ DT): ฝั่ง alpha สูงเกิน MAE_AXIS จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_OOB_AXIS", "value": [ 52000, 54000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ OOB (เฉพาะ RF): เส้นแบนมาก ถ้าใช้ MAE_AXIS เส้นจะเป็นขีดตรง จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_ROUND_AXIS", "value": [ 30000, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟรายรอบ (เฉพาะ XGB): ตัดรอบแรกๆ ที่ MAE สูงมากทิ้งเหมือนเดิม จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "RUN_ID", "value": "DT_merge50minC_adj", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อการทดลอง; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "DATASET", "value": "merge_50min_clean.csv", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อชุดข้อมูล; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "VARIANT", "value": "adj", "source": "กำหนดคงที่ในโค้ด", "explanation": "รูปแบบ base หรือ adj; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "PERM_AXIS", "value": [ 0, 150000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนกราฟ permutation importance; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "SHARE_AXIS", "value": [ 0, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนสัดส่วนความสำคัญตัวแปร; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "ccp_alpha.candidates", "value": [ 0.0, 3.115e-07, 6.443e-07, 1.334e-06, 2.759e-06, 5.71e-06, 1.184e-05, 2.443e-05 ], "source": "เลือกจาก ccp path", "explanation": "เลือก alpha บวกบนสเกล log ที่ต้นไม้ยังเกิน MIN_LEAVES แล้วใช้ CV คัดเพื่อนบ้าน CCP_NEIGHBOURS พร้อมเพิ่ม 0 ก่อนค้น grid; ค่าตัวเลือกแสดงตามผลพิมพ์ 4 หลักนัยสำคัญ।", "kind": "fixed" }, { "parameter": "pipeline.target_transform", "value": "np.log / np.exp", "source": "กำหนดคงที่ในโค้ด", "explanation": "แปลงราคา log แล้วคืนด้วย exp ก่อนวัดผลเป็นบาท; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "FoldOneHot.scale_numeric", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "กำหนดว่าจะปรับสเกลเฉพาะตัวเลขในแต่ละ fold หรือไม่ตาม pipeline; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "scaler", "value": "(x - mean_train_fold) / std_train_fold; ddof=0; std=0 → 1", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้ mean/std จากแถวฝึกของแต่ละ fold เท่านั้นและไม่ scale dummy ตามโค้ดเพื่อป้องกันข้อมูลรั่ว।", "kind": "fixed" }, { "parameter": "encoder", "value": "FoldOneHot; numeric=float; dummy=float; dense", "source": "กำหนดคงที่ในโค้ด", "explanation": "แปลงหมวดหมู่เป็น 0/1 และต่อกับตัวเลขโดย fit ใหม่ในแต่ละ fold เพื่อป้องกันข้อมูลรั่ว।", "kind": "fixed" }, { "parameter": "FoldOneHot.reference", "value": "most frequent; ties: name ascending, stable", "source": "กำหนดคงที่ในโค้ด", "explanation": "ทิ้งระดับที่พบบ่อยที่สุดเพื่อลดคอลัมน์ซ้ำซ้อนและใช้ชื่อเรียงตัดสินเมื่อความถี่เสมอกันตามโค้ด।", "kind": "fixed" }, { "parameter": "FoldOneHot.unseen", "value": "all zeros", "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับที่ไม่เคยพบในแถวฝึกได้ศูนย์ทุกคอลัมน์ตามโค้ดเพื่อให้แปลงข้อมูลใหม่ได้।", "kind": "fixed" }, { "parameter": "split.strategy", "value": "stratify brand|model", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้กติกาแบ่งชุดของไฟล์นี้ร่วมกับ TRAIN_SIZE/VAL_SIZE/TEST_SIZE และ SEED ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.shuffle", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "สลับลำดับแถวก่อนแบ่ง fold เพื่อให้กระจายข้อมูล; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มของการแบ่ง fold เพื่อทำผลซ้ำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.scoring", "value": { "MAE": "neg_mean_absolute_error", "RMSE": "neg_root_mean_squared_error", "MAPE": "neg_mean_absolute_percentage_error", "R2": "r2" }, "source": "กำหนดคงที่ในโค้ด", "explanation": "ตัววัด CV โดยใช้ MAE หน่วยบาทเลือกผู้ชนะและใช้ใบวัดความซับซ้อน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.refit", "value": "refit_1se", "source": "กำหนดคงที่ในโค้ด", "explanation": "ฟังก์ชันเลือกชุดค่าด้วยกฎ 1-SE แล้วฝึกผู้ชนะบน train ทั้งชุด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.return_train_score", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "เก็บคะแนน train เพื่อเทียบกับ CV; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.error_score", "value": "raise", "source": "กำหนดคงที่ในโค้ด", "explanation": "ให้หยุดเมื่อการฝึกเกิดข้อผิดพลาด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.n_jobs", "value": 8, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่ทำพร้อมกัน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.pre_dispatch", "value": 8, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานที่ส่งล่วงหน้าเพื่อคุมหน่วยความจำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.verbose", "value": 0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับข้อความความคืบหน้าของการค้นหา; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "selection.1SE", "value": "min CV MAE + SD(ddof=0)/sqrt(N_FOLDS); min leaves → CV MAE → index", "source": "กำหนดคงที่ในโค้ด", "explanation": "เลือกใบน้อยที่สุดในช่วงหนึ่ง SE จาก MAE ต่ำสุด; DT นับใบบน train ทั้งชุด ส่วน RF/XGB ใช้ค่าเฉลี่ยใบรวมจาก CV ตามโค้ด।", "kind": "fixed" }, { "parameter": "target.check_inverse", "value": true, "source": "ค่าเริ่มต้นของไลบรารี (sklearn 1.9.1)", "explanation": "ตรวจว่าฟังก์ชันแปลงและแปลงกลับสอดคล้องกัน; คงค่าเริ่มต้นโดยไม่ได้ปรับจูน।", "kind": "default" }, { "parameter": "target.transformer", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (sklearn 1.9.1)", "explanation": "ตัวแปลงเป้าหมายแบบ estimator ซึ่งไม่ได้ส่งเพราะใช้คู่ฟังก์ชัน log/exp; คงค่าเริ่มต้นโดยไม่ได้ปรับจูน।", "kind": "default" } ], "missing": [], "runtime": { "start": "2026-10-26 03:36:21", "end": "2026-10-26 03:44:50", "status": "ok", "seconds": 509.0 } }, { "run_id": "RF_merge50minC_adj", "notebook": "RF/RF_merge50minC_adj.ipynb", "model": "RF", "dataset": "merge50minC", "variant": "adj", "result": { "run_id": "RF_merge50minC_adj", "model": "RF", "dataset": "merge_50min_clean.csv", "variant": "adj", "version": "v5", "features": [ "engine", "mileage", "car_age", "brand", "model", "car_type", "fuel", "gear" ], "train": { "R2": 0.9658360871019033, "RMSE": 60895.68933008246, "MAE": 38842.82819997588, "MAPE": 0.07272184850158007 }, "validation": { "R2": 0.9397825260369784, "RMSE": 79150.13792883008, "MAE": 51939.613884188206, "MAPE": 0.09907252835851187 }, "test": { "R2": 0.9373551418277403, "RMSE": 81924.70451084172, "MAE": 53456.872706978764, "MAPE": 0.10044669473593211 }, "best_params": { "max_features": 0.3, "min_samples_leaf": 2 } }, "importance": { "run_id": "RF_merge50minC_adj", "permutation": { "engine": { "mean": 105768.34155645322, "std": 1272.945148929611 }, "mileage": { "mean": 22404.69816099274, "std": 924.1007068861886 }, "car_age": { "mean": 114530.78802836558, "std": 1597.9548047288883 }, "brand": { "mean": 37832.17993943517, "std": 628.7359402686578 }, "model": { "mean": 30047.883431681305, "std": 504.7942612694573 }, "car_type": { "mean": 50432.23273399487, "std": 765.2641625574681 }, "fuel": { "mean": 17462.08625760911, "std": 681.053688873435 }, "gear": { "mean": 8584.66565091793, "std": 449.13502890873747 } }, "model_based": { "engine": 0.1793690762869723, "mileage": 0.07577902797478826, "car_age": 0.29990073254442434, "brand": 0.10148308373640504, "model": 0.12574568615654091, "car_type": 0.12768491294160308, "fuel": 0.05976703493277764, "gear": 0.030270445426488355 } }, "cv": { "mean": 53356.0, "sd": 367.0, "source": "ตาราง CV train เทียบ validation", "precision": "printed integer baht" }, "cv_tables": [ { "kind": "search_candidates", "rows": [ { "candidate": 13.0, "chosen": "", "eligible": "yes", "leaves": 1917163.0, "rank": 1.0, "max_features": 0.4, "min_samples_leaf": 2.0, "cv_mae": 53331.0, "cv_mae_sd": 401.0, "train_mae": 38252.0, "gap": 15079.0 }, { "candidate": 7.0, "chosen": "*", "eligible": "yes", "leaves": 1838156.0, "rank": 2.0, "max_features": 0.3, "min_samples_leaf": 2.0, "cv_mae": 53356.0, "cv_mae_sd": 367.0, "train_mae": 39023.0, "gap": 14333.0 }, { "candidate": 19.0, "chosen": "", "eligible": "yes", "leaves": 1974059.0, "rank": 3.0, "max_features": 0.5, "min_samples_leaf": 2.0, "cv_mae": 53400.0, "cv_mae_sd": 383.0, "train_mae": 37761.0, "gap": 15639.0 }, { "candidate": 25.0, "chosen": "", "eligible": "yes", "leaves": 2026548.0, "rank": 4.0, "max_features": 0.6, "min_samples_leaf": 2.0, "cv_mae": 53474.0, "cv_mae_sd": 357.0, "train_mae": 37293.0, "gap": 16181.0 }, { "candidate": 20.0, "chosen": "", "eligible": "", "leaves": 1266437.0, "rank": 5.0, "max_features": 0.5, "min_samples_leaf": 3.0, "cv_mae": 53592.0, "cv_mae_sd": 431.0, "train_mae": 42160.0, "gap": 11432.0 }, { "candidate": 26.0, "chosen": "", "eligible": "", "leaves": 1313238.0, "rank": 6.0, "max_features": 0.6, "min_samples_leaf": 3.0, "cv_mae": 53610.0, "cv_mae_sd": 401.0, "train_mae": 41640.0, "gap": 11970.0 }, { "candidate": 14.0, "chosen": "", "eligible": "", "leaves": 1214108.0, "rank": 7.0, "max_features": 0.4, "min_samples_leaf": 3.0, "cv_mae": 53618.0, "cv_mae_sd": 412.0, "train_mae": 42789.0, "gap": 10829.0 }, { "candidate": 1.0, "chosen": "", "eligible": "", "leaves": 1737597.0, "rank": 8.0, "max_features": 0.2, "min_samples_leaf": 2.0, "cv_mae": 53733.0, "cv_mae_sd": 398.0, "train_mae": 40253.0, "gap": 13480.0 }, { "candidate": 31.0, "chosen": "", "eligible": "", "leaves": 2120578.0, "rank": 9.0, "max_features": 0.8, "min_samples_leaf": 2.0, "cv_mae": 53744.0, "cv_mae_sd": 351.0, "train_mae": 36497.0, "gap": 17247.0 }, { "candidate": 8.0, "chosen": "", "eligible": "", "leaves": 1143894.0, "rank": 10.0, "max_features": 0.3, "min_samples_leaf": 3.0, "cv_mae": 53817.0, "cv_mae_sd": 453.0, "train_mae": 43746.0, "gap": 10071.0 } ] }, { "kind": "fold_scores", "rows": [ { "": 1.0, "train MAE": 39166.0, "validation MAE": 53076.0, "MAE gap": 13910.0, "gap % of validation MAE": 26.21, "train R2": 0.9647, "validation R2": 0.9411, "R2 gap": 0.0236 }, { "": 2.0, "train MAE": 39119.0, "validation MAE": 53479.0, "MAE gap": 14360.0, "gap % of validation MAE": 26.85, "train R2": 0.9652, "validation R2": 0.9362, "R2 gap": 0.0289 }, { "": 3.0, "train MAE": 38934.0, "validation MAE": 53319.0, "MAE gap": 14385.0, "gap % of validation MAE": 26.98, "train R2": 0.9657, "validation R2": 0.9363, "R2 gap": 0.0293 }, { "": 4.0, "train MAE": 38728.0, "validation MAE": 53982.0, "MAE gap": 15254.0, "gap % of validation MAE": 28.26, "train R2": 0.9658, "validation R2": 0.9346, "R2 gap": 0.0312 }, { "": 5.0, "train MAE": 39165.0, "validation MAE": 52922.0, "MAE gap": 13757.0, "gap % of validation MAE": 25.99, "train R2": 0.9656, "validation R2": 0.9349, "R2 gap": 0.0307 }, { "": "mean", "train MAE": 39023.0, "validation MAE": 53356.0, "MAE gap": 14333.0, "gap % of validation MAE": 26.86, "train R2": 0.9654, "validation R2": 0.9366, "R2 gap": 0.0288 }, { "": "sd", "train MAE": 170.0, "validation MAE": 367.0, "MAE gap": 522.0, "gap % of validation MAE": 0.79, "train R2": 0.0004, "validation R2": 0.0023, "R2 gap": 0.0027 } ] } ], "ablation": [ { "variant": "none", "CV MAE mean": 53540.716962, "CV MAE SD": 315.583169, "test MAE": 53415.836253, "test RMSE": 80559.399876, "test R2": 0.939426, "test MAPE": 0.102514, "change test MAE (baht)": 0.0, "change test MAE (%)": 0.0, "change CV MAE mean (baht)": 0.0, "change CV MAE mean (%)": 0.0 }, { "variant": "scale only", "CV MAE mean": 53523.970248, "CV MAE SD": 323.626673, "test MAE": 53345.795494, "test RMSE": 80494.24721, "test R2": 0.939524, "test MAPE": 0.102384, "change test MAE (baht)": -70.040759, "change test MAE (%)": -0.131124, "change CV MAE mean (baht)": -16.746714, "change CV MAE mean (%)": -0.031278 }, { "variant": "log only", "CV MAE mean": 53357.889828, "CV MAE SD": 353.933288, "test MAE": 53480.887986, "test RMSE": 81934.198549, "test R2": 0.937341, "test MAPE": 0.100499, "change test MAE (baht)": 65.051733, "change test MAE (%)": 0.121784, "change CV MAE mean (baht)": -182.827134, "change CV MAE mean (%)": -0.341473 }, { "variant": "both", "CV MAE mean": 53355.774887, "CV MAE SD": 367.399493, "test MAE": 53456.872707, "test RMSE": 81924.704511, "test R2": 0.937355, "test MAPE": 0.100447, "change test MAE (baht)": 41.036454, "change test MAE (%)": 0.076825, "change CV MAE mean (baht)": -184.942075, "change CV MAE mean (%)": -0.345423 } ], "overfit": [ "PASS validation เทียบ CV : ต่างกัน -1,416 บาท (-2.65%) เกณฑ์ ±1,773 บาท (2 SE)", "PASS test เทียบ CV : ต่างกัน +101 บาท (+0.19%) เกณฑ์ ±1,841 บาท (2 SE)", "PASS validation เทียบ OOB : ต่างกัน -631 บาท (-1.20%) เกณฑ์ ±1,857 บาท (2 SE)", "PASS test เทียบ OOB : ต่างกัน +886 บาท (+1.69%) เกณฑ์ ±1,921 บาท (2 SE)", "PASS test เทียบ validation : ต่างกัน +1,517 บาท (+2.92%) เกณฑ์ ±2,513 บาท (2 SE)", "PASS learning curve (3,760 -> 37,600 แถว): test MAE 67,202 -> 53,399 บาท, gap 21,997 -> 14,557 บาท (ต้องลดลงทั้งคู่)" ], "plots": { "learning": "img/RF_merge50minC_adj_learning.png", "permutation": "img/RF_merge50minC_adj_permutation.png", "model_based": "img/RF_merge50minC_adj_model_based.png" }, "data": { "rows": 47001, "split": [ { "ชุด": "train", "แถว": 37600.0, "สัดส่วน (%)": 80.0, "จำนวนรุ่น": 115.0 }, { "ชุด": "validation", "แถว": 4700.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 115.0 }, { "ชุด": "test", "แถว": 4701.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 115.0 } ], "models": 115.0 }, "params": [ { "parameter": "max_features", "value": 0.3, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [0.2, 0.3, 0.4, 0.5, 0.6, 0.8, 1.0])", "explanation": "จำนวนหรือสัดส่วนตัวแปรที่ใช้เลือกจุดแตกกิ่ง; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (อยู่ด้านในของ grid)।", "kind": "tuned", "search_range": [ 0.2, 0.3, 0.4, 0.5, 0.6, 0.8, 1.0 ], "grid_edge": "PASS (อยู่ด้านในของ grid)", "candidate_source": "PARAM_GRID" }, { "parameter": "min_samples_leaf", "value": 2, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [1, 2, 3, 4, 6, 8])", "explanation": "จำนวนแถวขั้นต่ำต่อใบ; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (อยู่ด้านในของ grid)।", "kind": "tuned", "search_range": [ 1, 2, 3, 4, 6, 8 ], "grid_edge": "PASS (อยู่ด้านในของ grid)", "candidate_source": "PARAM_GRID" }, { "parameter": "bootstrap", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "แต่ละต้นฝึกด้วยแถวที่สุ่มแบบหยิบแล้วใส่คืน (หัวใจของป่าสุ่ม และจำเป็นต่อ OOB); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "ccp_alpha", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่ตัดกิ่ง ป่าคุมความซับซ้อนด้วยการเฉลี่ยหลายต้นและ min_samples_leaf; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "criterion", "value": "squared_error", "source": "กำหนดคงที่ในโค้ด", "explanation": "วัดคุณภาพการแตกกิ่งด้วย MSE (ค่าเริ่มต้น เร็ว เหมาะกับการทายราคา); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_depth", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ความลึกสูงสุด None = ไม่จำกัด ขนาดต้นไม้คุมด้วย min_samples_leaf แทน; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_leaf_nodes", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนใบสูงสุด None = ไม่จำกัด (ยังไม่ได้ทดสอบขีดจำกัดนี้); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_samples", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "bootstrap มีขนาดเท่าแถวฝึกทั้งหมด (pilot: ขนาดเล็กลงทำให้ MAE แย่ลง); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_impurity_decrease", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "แตกกิ่งได้แม้ลด error น้อย (ยังไม่ได้ทดสอบเกณฑ์นี้); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_samples_split", "value": 2, "source": "กำหนดคงที่ในโค้ด", "explanation": "รถขั้นต่ำในโหนดก่อนแตกกิ่ง (ค่าเริ่มต้น ยังไม่ได้ทดสอบการปรับ); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "min_weight_fraction_leaf", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนน้ำหนักขั้นต่ำต่อใบ 0 = ไม่ใช้ (ทุกแถวน้ำหนักเท่ากัน); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "monotonic_cst", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่บังคับทิศทางความสัมพันธ์ของตัวแปรกับราคา; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "n_estimators", "value": 300, "source": "กราฟ OOB", "explanation": "จำนวนต้นไม้ ตั้งตายตัวตรงที่ OOB error แบนแล้ว (เซลล์ [03]); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "n_jobs", "value": 20, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ที่ใช้ฝึกและทายพร้อมกัน (เซลล์ [03]); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "oob_score", "value": false, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่คำนวณ OOB ระหว่าง grid search เพื่อประหยัดเวลา (เซลล์ [38] เปิดเอง); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มคงที่ ทั้ง bootstrap และการสุ่ม feature ให้ผลซ้ำได้; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "verbose", "value": 0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่พิมพ์ความคืบหน้าระหว่างฝึก; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "warm_start", "value": false, "source": "กำหนดคงที่ในโค้ด", "explanation": "ฝึกใหม่ทั้งป่าทุกครั้ง (เซลล์ [38] เปิดเพื่อเพิ่มต้นไม้ทีละช่วง); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "SEED", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มกลาง ใช้ทุกที่ที่มีการสุ่ม เพื่อให้ผลซ้ำได้।", "kind": "fixed" }, { "parameter": "N_FOLDS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน fold ของ cross-validation।", "kind": "fixed" }, { "parameter": "NUM_COLS", "value": [ "engine", "mileage", "car_age" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ตัวเลข।", "kind": "fixed" }, { "parameter": "CAT_COLS", "value": [ "brand", "model", "car_type", "fuel", "gear" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ประเภทกลุ่ม।", "kind": "fixed" }, { "parameter": "DATA_SHA256", "value": "191adb789285fe531bf82521e7ac0892020cbf0bf4325d22f6a657fabaab8aa1", "source": "กำหนดคงที่ในโค้ด", "explanation": "ลายนิ้วมือไฟล์ข้อมูล।", "kind": "fixed" }, { "parameter": "MODEL_NAME", "value": "RF", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อโมเดล ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "VERSION", "value": "v5", "source": "กำหนดคงที่ในโค้ด", "explanation": "เวอร์ชันของวิธีฝึก ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "CURRENT_YEAR", "value": 2026, "source": "กำหนดคงที่ในโค้ด", "explanation": "ปีที่เก็บข้อมูล ใช้คำนวณ car_age = CURRENT_YEAR - year।", "kind": "fixed" }, { "parameter": "TRAIN_SIZE", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "VAL_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "TEST_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "N_TREES", "value": 300, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนต้นไม้ในป่า (n_estimators) ตั้งตายตัว ไม่ปรับใน grid।", "kind": "fixed" }, { "parameter": "OOB_TREE_COUNTS", "value": [ 50, 100, 150, 200, 300, 400, 600, 800, 1000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนต้นที่วัด OOB error।", "kind": "fixed" }, { "parameter": "LC_FRACTIONS", "value": [ 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วน train ที่ใช้วาด learning curve: 10% ถึง 100%।", "kind": "fixed" }, { "parameter": "LC_REPEATS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนรอบสุ่มซ้ำของ learning curve ต่อหนึ่งสัดส่วน।", "kind": "fixed" }, { "parameter": "SEARCH_JOBS", "value": 1, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่รันพร้อมกันใน GridSearchCV (1 = ทีละโมเดล ประหยัดหน่วยความจำ)।", "kind": "fixed" }, { "parameter": "MODEL_THREADS", "value": 20, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ที่ป่าใช้ฝึกและทายพร้อมกัน (n_jobs ของ RandomForestRegressor)।", "kind": "fixed" }, { "parameter": "MAE_AXIS", "value": [ 20000, 90000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน MAE (บาท) ของ learning curve และ validation curve ครอบทุกโมเดล।", "kind": "fixed" }, { "parameter": "R2_AXIS", "value": [ 0.8, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน R² ของ learning curve।", "kind": "fixed" }, { "parameter": "ROWS_AXIS", "value": [ 0, 40000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของ learning curve: จำนวนแถวฝึก (ทุกโมเดลฝึกบนข้อมูลชุดเดียวกัน)।", "kind": "fixed" }, { "parameter": "FOLD_AXIS", "value": [ -0.5, 4.5 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของกราฟแท่งราย fold: ตำแหน่ง 0..4 (ต้องสัมพันธ์กับ N_FOLDS = 5)।", "kind": "fixed" }, { "parameter": "MAE_BAR_AXIS", "value": [ 0, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟแท่ง MAE ต่อ fold: แท่งต้องเริ่มที่ 0 จึงแยกจาก MAE_AXIS।", "kind": "fixed" }, { "parameter": "MAE_CCP_AXIS", "value": [ 50000, 130000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ ccp_alpha (เฉพาะ DT): ฝั่ง alpha สูงเกิน MAE_AXIS จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_OOB_AXIS", "value": [ 52000, 54000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ OOB (เฉพาะ RF): เส้นแบนมาก ถ้าใช้ MAE_AXIS เส้นจะเป็นขีดตรง จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_ROUND_AXIS", "value": [ 30000, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟรายรอบ (เฉพาะ XGB): ตัดรอบแรกๆ ที่ MAE สูงมากทิ้งเหมือนเดิม จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "RUN_ID", "value": "RF_merge50minC_adj", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อการทดลอง; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "DATASET", "value": "merge_50min_clean.csv", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อชุดข้อมูล; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "VARIANT", "value": "adj", "source": "กำหนดคงที่ในโค้ด", "explanation": "รูปแบบ base หรือ adj; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "PERM_AXIS", "value": [ 0, 150000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนกราฟ permutation importance; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "SHARE_AXIS", "value": [ 0, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนสัดส่วนความสำคัญตัวแปร; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "pipeline.target_transform", "value": "np.log / np.exp", "source": "กำหนดคงที่ในโค้ด", "explanation": "แปลงราคา log แล้วคืนด้วย exp ก่อนวัดผลเป็นบาท; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "FoldOneHot.scale_numeric", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "กำหนดว่าจะปรับสเกลเฉพาะตัวเลขในแต่ละ fold หรือไม่ตาม pipeline; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "scaler", "value": "(x - mean_train_fold) / std_train_fold; ddof=0; std=0 → 1", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้ mean/std จากแถวฝึกของแต่ละ fold เท่านั้นและไม่ scale dummy ตามโค้ดเพื่อป้องกันข้อมูลรั่ว।", "kind": "fixed" }, { "parameter": "encoder", "value": "FoldOneHot; numeric=float; dummy=float; dense", "source": "กำหนดคงที่ในโค้ด", "explanation": "แปลงหมวดหมู่เป็น 0/1 และต่อกับตัวเลขโดย fit ใหม่ในแต่ละ fold เพื่อป้องกันข้อมูลรั่ว।", "kind": "fixed" }, { "parameter": "FoldOneHot.reference", "value": "most frequent; ties: name ascending, stable", "source": "กำหนดคงที่ในโค้ด", "explanation": "ทิ้งระดับที่พบบ่อยที่สุดเพื่อลดคอลัมน์ซ้ำซ้อนและใช้ชื่อเรียงตัดสินเมื่อความถี่เสมอกันตามโค้ด।", "kind": "fixed" }, { "parameter": "FoldOneHot.unseen", "value": "all zeros", "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับที่ไม่เคยพบในแถวฝึกได้ศูนย์ทุกคอลัมน์ตามโค้ดเพื่อให้แปลงข้อมูลใหม่ได้।", "kind": "fixed" }, { "parameter": "split.strategy", "value": "stratify brand|model", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้กติกาแบ่งชุดของไฟล์นี้ร่วมกับ TRAIN_SIZE/VAL_SIZE/TEST_SIZE และ SEED ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.shuffle", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "สลับลำดับแถวก่อนแบ่ง fold เพื่อให้กระจายข้อมูล; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มของการแบ่ง fold เพื่อทำผลซ้ำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.scoring", "value": "{'MAE': 'neg_mean_absolute_error', 'RMSE': 'neg_root_mean_squared_error', 'MAPE': 'neg_mean_absolute_percentage_error', 'R2': 'r2', 'leaves': count_leaves_scorer}", "source": "กำหนดคงที่ในโค้ด", "explanation": "ตัววัด CV โดยใช้ MAE หน่วยบาทเลือกผู้ชนะและใช้ใบวัดความซับซ้อน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.refit", "value": "select_1se", "source": "กำหนดคงที่ในโค้ด", "explanation": "ฟังก์ชันเลือกชุดค่าด้วยกฎ 1-SE แล้วฝึกผู้ชนะบน train ทั้งชุด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.return_train_score", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "เก็บคะแนน train เพื่อเทียบกับ CV; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.error_score", "value": "raise", "source": "กำหนดคงที่ในโค้ด", "explanation": "ให้หยุดเมื่อการฝึกเกิดข้อผิดพลาด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.n_jobs", "value": 1, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่ทำพร้อมกัน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.pre_dispatch", "value": 1, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานที่ส่งล่วงหน้าเพื่อคุมหน่วยความจำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.verbose", "value": 0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับข้อความความคืบหน้าของการค้นหา; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "selection.1SE", "value": "min CV MAE + SD(ddof=0)/sqrt(N_FOLDS); min leaves → CV MAE → index", "source": "กำหนดคงที่ในโค้ด", "explanation": "เลือกใบน้อยที่สุดในช่วงหนึ่ง SE จาก MAE ต่ำสุด; DT นับใบบน train ทั้งชุด ส่วน RF/XGB ใช้ค่าเฉลี่ยใบรวมจาก CV ตามโค้ด।", "kind": "fixed" }, { "parameter": "target.check_inverse", "value": true, "source": "ค่าเริ่มต้นของไลบรารี (sklearn 1.9.1)", "explanation": "ตรวจว่าฟังก์ชันแปลงและแปลงกลับสอดคล้องกัน; คงค่าเริ่มต้นโดยไม่ได้ปรับจูน।", "kind": "default" }, { "parameter": "target.transformer", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (sklearn 1.9.1)", "explanation": "ตัวแปลงเป้าหมายแบบ estimator ซึ่งไม่ได้ส่งเพราะใช้คู่ฟังก์ชัน log/exp; คงค่าเริ่มต้นโดยไม่ได้ปรับจูน।", "kind": "default" } ], "missing": [], "runtime": { "start": "2026-10-26 03:44:50", "end": "2026-10-26 04:02:27", "status": "ok", "seconds": 1057.0 } }, { "run_id": "XGB_merge50minC_adj", "notebook": "XGB/XGB_merge50minC_adj.ipynb", "model": "XGB", "dataset": "merge50minC", "variant": "adj", "result": { "run_id": "XGB_merge50minC_adj", "model": "XGB", "dataset": "merge_50min_clean.csv", "variant": "adj", "version": "v5", "features": [ "engine", "mileage", "car_age", "brand", "model", "car_type", "fuel", "gear" ], "train": { "R2": 0.9630944132804871, "RMSE": 63292.005940718926, "MAE": 41861.1484375, "MAPE": 0.07794867858111337 }, "validation": { "R2": 0.9429357647895813, "RMSE": 77049.95989616089, "MAE": 51149.9453125, "MAPE": 0.09756248399906324 }, "test": { "R2": 0.9421570301055908, "RMSE": 78722.24387045887, "MAE": 52229.140625, "MAPE": 0.09868048073579969 }, "best_params": { "max_depth": 12, "min_child_weight": 1, "n_estimators": 100, "reg_lambda": 1.0 } }, "importance": { "run_id": "XGB_merge50minC_adj", "permutation": { "engine": { "mean": 107268.69375, "std": 1520.1341347097516 }, "mileage": { "mean": 22084.1359375, "std": 898.2909643828633 }, "car_age": { "mean": 122338.9203125, "std": 1629.9329544968361 }, "brand": { "mean": 48188.87578125, "std": 654.3643445759178 }, "model": { "mean": 31010.36953125, "std": 623.3560223626982 }, "car_type": { "mean": 46534.5, "std": 1044.2972483774674 }, "fuel": { "mean": 11332.3921875, "std": 408.7766277119148 }, "gear": { "mean": 9599.430078125, "std": 440.6595919608367 } }, "model_based": { "engine": 0.015673821520599162, "mileage": 0.0003533014055737541, "car_age": 0.009060821676028162, "brand": 0.21609598518549478, "model": 0.46067048439839753, "car_type": 0.2663750469095459, "fuel": 0.022378931592300016, "gear": 0.009391607312060745 } }, "cv": { "mean": 52567.0, "sd": 394.0, "source": "ตาราง CV train เทียบ validation", "precision": "printed integer baht" }, "cv_tables": [ { "kind": "search_candidates", "rows": [ { "candidate": 190.0, "chosen": "", "eligible": "yes", "leaves": 138342.0, "rank": 1.0, "max_depth": 20.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 100.0, "cv_mae": 52466.0, "cv_mae_sd": 331.0, "train_mae": 38487.0, "gap": 13979.0 }, { "candidate": 78.0, "chosen": "", "eligible": "yes", "leaves": 92187.0, "rank": 2.0, "max_depth": 12.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 300.0, "cv_mae": 52475.0, "cv_mae_sd": 472.0, "train_mae": 40839.0, "gap": 11636.0 }, { "candidate": 134.0, "chosen": "", "eligible": "yes", "leaves": 145515.0, "rank": 3.0, "max_depth": 16.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 200.0, "cv_mae": 52497.0, "cv_mae_sd": 341.0, "train_mae": 37792.0, "gap": 14706.0 }, { "candidate": 74.0, "chosen": "", "eligible": "yes", "leaves": 60440.0, "rank": 4.0, "max_depth": 12.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 200.0, "cv_mae": 52521.0, "cv_mae_sd": 444.0, "train_mae": 43539.0, "gap": 8982.0 }, { "candidate": 130.0, "chosen": "", "eligible": "yes", "leaves": 79859.0, "rank": 5.0, "max_depth": 16.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 100.0, "cv_mae": 52551.0, "cv_mae_sd": 343.0, "train_mae": 42227.0, "gap": 10325.0 }, { "candidate": 69.0, "chosen": "*", "eligible": "yes", "leaves": 54470.0, "rank": 6.0, "max_depth": 12.0, "min_child_weight": 1.0, "reg_lambda": 1.0, "n_estimators": 100.0, "cv_mae": 52567.0, "cv_mae_sd": 394.0, "train_mae": 40705.0, "gap": 11862.0 }, { "candidate": 250.0, "chosen": "", "eligible": "yes", "leaves": 197003.0, "rank": 7.0, "max_depth": 24.0, "min_child_weight": 1.0, "reg_lambda": 10.0, "n_estimators": 100.0, "cv_mae": 52569.0, "cv_mae_sd": 337.0, "train_mae": 35862.0, "gap": 16707.0 }, { "candidate": 93.0, "chosen": "", "eligible": "", "leaves": 50290.0, "rank": 8.0, "max_depth": 12.0, "min_child_weight": 5.0, "reg_lambda": 1.0, "n_estimators": 200.0, "cv_mae": 52660.0, "cv_mae_sd": 361.0, "train_mae": 41395.0, "gap": 11265.0 }, { "candidate": 154.0, "chosen": "", "eligible": "", "leaves": 78884.0, "rank": 9.0, "max_depth": 16.0, "min_child_weight": 5.0, "reg_lambda": 10.0, "n_estimators": 200.0, "cv_mae": 52667.0, "cv_mae_sd": 377.0, "train_mae": 41057.0, "gap": 11609.0 }, { "candidate": 73.0, "chosen": "", "eligible": "", "leaves": 92702.0, "rank": 10.0, "max_depth": 12.0, "min_child_weight": 1.0, "reg_lambda": 1.0, "n_estimators": 200.0, "cv_mae": 52687.0, "cv_mae_sd": 377.0, "train_mae": 36156.0, "gap": 16531.0 } ] }, { "kind": "fold_scores", "rows": [ { "": 1.0, "train MAE": 40610.0, "validation MAE": 52278.0, "MAE gap": 11668.0, "gap % of validation MAE": 22.32, "train R2": 0.9654, "validation R2": 0.9444, "R2 gap": 0.021 }, { "": 2.0, "train MAE": 40641.0, "validation MAE": 52660.0, "MAE gap": 12019.0, "gap % of validation MAE": 22.82, "train R2": 0.9652, "validation R2": 0.9389, "R2 gap": 0.0263 }, { "": 3.0, "train MAE": 40815.0, "validation MAE": 52554.0, "MAE gap": 11739.0, "gap % of validation MAE": 22.34, "train R2": 0.9653, "validation R2": 0.939, "R2 gap": 0.0263 }, { "": 4.0, "train MAE": 40594.0, "validation MAE": 53247.0, "MAE gap": 12653.0, "gap % of validation MAE": 23.76, "train R2": 0.9651, "validation R2": 0.9374, "R2 gap": 0.0277 }, { "": 5.0, "train MAE": 40866.0, "validation MAE": 52097.0, "MAE gap": 11231.0, "gap % of validation MAE": 21.56, "train R2": 0.9656, "validation R2": 0.937, "R2 gap": 0.0286 }, { "": "mean", "train MAE": 40705.0, "validation MAE": 52567.0, "MAE gap": 11862.0, "gap % of validation MAE": 22.56, "train R2": 0.9653, "validation R2": 0.9393, "R2 gap": 0.026 }, { "": "sd", "train MAE": 113.0, "validation MAE": 394.0, "MAE gap": 469.0, "gap % of validation MAE": 0.72, "train R2": 0.0002, "validation R2": 0.0026, "R2 gap": 0.0026 } ] } ], "ablation": [ { "variant": "none", "CV MAE mean": 52925.421094, "CV MAE SD": 369.734181, "test MAE": 52393.265625, "test RMSE": 79019.391645, "test R2": 0.94172, "test MAPE": 0.100586, "change test MAE (baht)": 0.0, "change test MAE (%)": 0.0, "change CV MAE mean (baht)": 0.0, "change CV MAE mean (%)": 0.0 }, { "variant": "scale only", "CV MAE mean": 52925.421094, "CV MAE SD": 369.734181, "test MAE": 52393.265625, "test RMSE": 79019.391645, "test R2": 0.94172, "test MAPE": 0.100586, "change test MAE (baht)": 0.0, "change test MAE (%)": 0.0, "change CV MAE mean (baht)": 0.0, "change CV MAE mean (%)": 0.0 }, { "variant": "log only", "CV MAE mean": 52567.236719, "CV MAE SD": 393.74876, "test MAE": 52229.140625, "test RMSE": 78722.24387, "test R2": 0.942157, "test MAPE": 0.09868, "change test MAE (baht)": -164.125, "change test MAE (%)": -0.313256, "change CV MAE mean (baht)": -358.184375, "change CV MAE mean (%)": -0.676772 }, { "variant": "both", "CV MAE mean": 52567.236719, "CV MAE SD": 393.74876, "test MAE": 52229.140625, "test RMSE": 78722.24387, "test R2": 0.942157, "test MAPE": 0.09868, "change test MAE (baht)": -164.125, "change test MAE (%)": -0.313256, "change CV MAE mean (baht)": -358.184375, "change CV MAE mean (%)": -0.676772 } ], "overfit": [ "PASS : validation MAE ต่างจาก CV MAE ไม่เกิน 5% (generalisation)", "PASS : test MAE ต่างจาก CV MAE ไม่เกิน 5% (generalisation)", "PASS : จำนวนรอบอยู่ในช่วง 1 SE ของจุดที่ CV MAE ต่ำสุด (ไม่น้อยหรือมากเกินไป)", "PASS : ช่องว่าง test - train แคบลงเมื่อเพิ่มข้อมูลฝึก (learning curve)" ], "plots": { "learning": "img/XGB_merge50minC_adj_learning.png", "permutation": "img/XGB_merge50minC_adj_permutation.png", "model_based": "img/XGB_merge50minC_adj_model_based.png" }, "data": { "rows": 47001, "split": [ { "ชุด": "train", "แถว": 37600.0, "สัดส่วน (%)": 80.0, "จำนวนรุ่น": 115.0 }, { "ชุด": "validation", "แถว": 4700.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 115.0 }, { "ชุด": "test", "แถว": 4701.0, "สัดส่วน (%)": 10.0, "จำนวนรุ่น": 115.0 } ], "models": 115.0 }, "params": [ { "parameter": "max_depth", "value": 12, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [8, 12, 16, 20, 24])", "explanation": "ความลึกสูงสุดของต้นไม้; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (inside)।", "kind": "tuned", "search_range": [ 8, 12, 16, 20, 24 ], "grid_edge": "PASS (inside)", "candidate_source": "PARAM_GRID" }, { "parameter": "min_child_weight", "value": 1, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [1, 5, 20])", "explanation": "น้ำหนัก Hessian ขั้นต่ำของโหนดลูก; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (natural bound) (min edge)।", "kind": "tuned", "search_range": [ 1, 5, 20 ], "grid_edge": "PASS (natural bound) (min edge)", "candidate_source": "PARAM_GRID" }, { "parameter": "n_estimators", "value": 100, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [25, 50, 100, 200, 300])", "explanation": "จำนวนต้นไม้หรือรอบ boosting; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (inside)।", "kind": "tuned", "search_range": [ 25, 50, 100, 200, 300 ], "grid_edge": "PASS (inside)", "candidate_source": "PARAM_GRID" }, { "parameter": "reg_lambda", "value": 1.0, "source": "GridSearchCV + กฎ 1-SE (ช่วงที่ค้น: [0.0, 1.0, 10.0, 100.0])", "explanation": "บทลงโทษ L2 ของค่าในใบ; เลือกค่าของผู้ชนะที่มีใบน้อยที่สุดในช่วง 1-SE; ตรวจขอบ: PASS (inside)।", "kind": "tuned", "search_range": [ 0.0, 1.0, 10.0, 100.0 ], "grid_edge": "PASS (inside)", "candidate_source": "PARAM_GRID" }, { "parameter": "objective", "value": "reg:squarederror", "source": "กำหนดคงที่ในโค้ด", "explanation": "เรียนรู้จากความผิดพลาดยกกำลังสอง (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "booster", "value": "gbtree", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้ต้นไม้เป็นตัวเรียนรู้ย่อย (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "colsample_bytree", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "แต่ละต้นสุ่มเห็นคอลัมน์ 80%; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "early_stopping_rounds", "value": null, "source": "กำหนดคงที่ในโค้ด", "explanation": "ไม่หยุดก่อนครบรอบ (จำนวนรอบเลือกด้วย CV ใน grid); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "eval_metric", "value": "mae", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้เฉพาะตอนส่ง eval_set ในเซลล์ [38] เพื่อวาดกราฟรายรอบ; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "gamma", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "error ต้องลดอย่างน้อยเท่านี้จึงแตกกิ่ง 0 = ไม่บังคับ (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "grow_policy", "value": "depthwise", "source": "กำหนดคงที่ในโค้ด", "explanation": "โตทีละชั้นจนถึง max_depth (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "learning_rate", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "ย่อขนาดการแก้ของแต่ละต้น (คงที่ ดูเซลล์ [03]); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_bin", "value": 256, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนช่วงต่อคอลัมน์ของ hist (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "max_delta_step", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำกัดขนาดค่าในใบ 0 = ไม่จำกัด (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "n_jobs", "value": 3, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ภายในโมเดล (คงที่ทั้งโน้ตบุ๊ค); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มคงที่ ให้ผลซ้ำได้; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "reg_alpha", "value": 0.0, "source": "กำหนดคงที่ในโค้ด", "explanation": "บทลงโทษ L1 ของค่าในใบ 0 = ไม่ใช้ (ค่าเริ่มต้น); กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "subsample", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "แต่ละต้นสุ่มเห็นแถว 80% ของข้อมูลฝึก; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "tree_method", "value": "hist", "source": "กำหนดคงที่ในโค้ด", "explanation": "แบ่งค่าเป็นช่วง (histogram) ก่อนหาจุดตัด เร็วกว่าวิธี exact มาก; กำหนดคงที่ ไม่ได้ค้นใน grid ของไฟล์นี้।", "kind": "fixed" }, { "parameter": "SEED", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มกลาง ใช้ทุกที่ที่มีการสุ่ม เพื่อให้ผลซ้ำได้।", "kind": "fixed" }, { "parameter": "N_FOLDS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน fold ของ cross-validation।", "kind": "fixed" }, { "parameter": "NUM_COLS", "value": [ "engine", "mileage", "car_age" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ตัวเลข।", "kind": "fixed" }, { "parameter": "CAT_COLS", "value": [ "brand", "model", "car_type", "fuel", "gear" ], "source": "กำหนดคงที่ในโค้ด", "explanation": "feature ประเภทกลุ่ม।", "kind": "fixed" }, { "parameter": "DATA_SHA256", "value": "191adb789285fe531bf82521e7ac0892020cbf0bf4325d22f6a657fabaab8aa1", "source": "กำหนดคงที่ในโค้ด", "explanation": "ลายนิ้วมือไฟล์ข้อมูล।", "kind": "fixed" }, { "parameter": "MODEL_NAME", "value": "XGB", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อโมเดล ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "VERSION", "value": "v5", "source": "กำหนดคงที่ในโค้ด", "explanation": "เวอร์ชันของวิธีฝึก ใช้ในผลลัพธ์ JSON।", "kind": "fixed" }, { "parameter": "CURRENT_YEAR", "value": 2026, "source": "กำหนดคงที่ในโค้ด", "explanation": "ปีที่เก็บข้อมูล ใช้คำนวณ car_age = CURRENT_YEAR - year।", "kind": "fixed" }, { "parameter": "TRAIN_SIZE", "value": 0.8, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "VAL_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "TEST_SIZE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วนแบ่ง train / validation / test।", "kind": "fixed" }, { "parameter": "LEARNING_RATE", "value": 0.1, "source": "กำหนดคงที่ในโค้ด", "explanation": "ขนาดก้าวของ boosting (คงที่ ไม่อยู่ใน grid)।", "kind": "fixed" }, { "parameter": "LC_FRACTIONS", "value": [ 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "สัดส่วน train ที่ใช้วาด learning curve: 10% ถึง 100%।", "kind": "fixed" }, { "parameter": "LC_REPEATS", "value": 5, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนรอบสุ่มซ้ำของ learning curve ต่อหนึ่งสัดส่วน।", "kind": "fixed" }, { "parameter": "SEARCH_JOBS", "value": 6, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานที่รันพร้อมกันใน GridSearchCV (process คู่ขนาน)।", "kind": "fixed" }, { "parameter": "MODEL_THREADS", "value": 3, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวน thread ที่โมเดลแต่ละตัวใช้ภายใน।", "kind": "fixed" }, { "parameter": "MAE_AXIS", "value": [ 20000, 90000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน MAE (บาท) ของ learning curve และ validation curve ครอบทุกโมเดล।", "kind": "fixed" }, { "parameter": "R2_AXIS", "value": [ 0.8, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน R² ของ learning curve।", "kind": "fixed" }, { "parameter": "ROWS_AXIS", "value": [ 0, 40000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของ learning curve: จำนวนแถวฝึก (ทุกโมเดลฝึกบนข้อมูลชุดเดียวกัน)।", "kind": "fixed" }, { "parameter": "FOLD_AXIS", "value": [ -0.5, 4.5 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน x ของกราฟแท่งราย fold: ตำแหน่ง 0..4 (ต้องสัมพันธ์กับ N_FOLDS = 5)।", "kind": "fixed" }, { "parameter": "MAE_BAR_AXIS", "value": [ 0, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟแท่ง MAE ต่อ fold: แท่งต้องเริ่มที่ 0 จึงแยกจาก MAE_AXIS।", "kind": "fixed" }, { "parameter": "MAE_CCP_AXIS", "value": [ 50000, 130000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ ccp_alpha (เฉพาะ DT): ฝั่ง alpha สูงเกิน MAE_AXIS จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_OOB_AXIS", "value": [ 52000, 54000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟ OOB (เฉพาะ RF): เส้นแบนมาก ถ้าใช้ MAE_AXIS เส้นจะเป็นขีดตรง จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "MAE_ROUND_AXIS", "value": [ 30000, 70000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "แกน y ของกราฟรายรอบ (เฉพาะ XGB): ตัดรอบแรกๆ ที่ MAE สูงมากทิ้งเหมือนเดิม จึงใช้ช่วงซูมแยก।", "kind": "fixed" }, { "parameter": "RUN_ID", "value": "XGB_merge50minC_adj", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อการทดลอง; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "DATASET", "value": "merge_50min_clean.csv", "source": "กำหนดคงที่ในโค้ด", "explanation": "ชื่อชุดข้อมูล; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "VARIANT", "value": "adj", "source": "กำหนดคงที่ในโค้ด", "explanation": "รูปแบบ base หรือ adj; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "PERM_AXIS", "value": [ 0, 150000 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนกราฟ permutation importance; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "SHARE_AXIS", "value": [ 0, 1.0 ], "source": "กำหนดคงที่ในโค้ด", "explanation": "ช่วงแกนสัดส่วนความสำคัญตัวแปร; กำหนดคงที่โดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "pipeline.target_transform", "value": "np.log / np.exp", "source": "กำหนดคงที่ในโค้ด", "explanation": "แปลงราคา log แล้วคืนด้วย exp ก่อนวัดผลเป็นบาท; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "FoldOneHot.scale_numeric", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "กำหนดว่าจะปรับสเกลเฉพาะตัวเลขในแต่ละ fold หรือไม่ตาม pipeline; กำหนดคงที่ไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "scaler", "value": "(x - mean_train_fold) / std_train_fold; ddof=0; std=0 → 1", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้ mean/std จากแถวฝึกของแต่ละ fold เท่านั้นและไม่ scale dummy ตามโค้ดเพื่อป้องกันข้อมูลรั่ว।", "kind": "fixed" }, { "parameter": "encoder", "value": "FoldOneHot; numeric=float; dummy=float; dense", "source": "กำหนดคงที่ในโค้ด", "explanation": "แปลงหมวดหมู่เป็น 0/1 และต่อกับตัวเลขโดย fit ใหม่ในแต่ละ fold เพื่อป้องกันข้อมูลรั่ว।", "kind": "fixed" }, { "parameter": "FoldOneHot.reference", "value": "most frequent; ties: name ascending, stable", "source": "กำหนดคงที่ในโค้ด", "explanation": "ทิ้งระดับที่พบบ่อยที่สุดเพื่อลดคอลัมน์ซ้ำซ้อนและใช้ชื่อเรียงตัดสินเมื่อความถี่เสมอกันตามโค้ด।", "kind": "fixed" }, { "parameter": "FoldOneHot.unseen", "value": "all zeros", "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับที่ไม่เคยพบในแถวฝึกได้ศูนย์ทุกคอลัมน์ตามโค้ดเพื่อให้แปลงข้อมูลใหม่ได้।", "kind": "fixed" }, { "parameter": "split.strategy", "value": "stratify brand|model", "source": "กำหนดคงที่ในโค้ด", "explanation": "ใช้กติกาแบ่งชุดของไฟล์นี้ร่วมกับ TRAIN_SIZE/VAL_SIZE/TEST_SIZE และ SEED ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.shuffle", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "สลับลำดับแถวก่อนแบ่ง fold เพื่อให้กระจายข้อมูล; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "KFold.random_state", "value": 99, "source": "กำหนดคงที่ในโค้ด", "explanation": "เลขสุ่มของการแบ่ง fold เพื่อทำผลซ้ำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.scoring", "value": "{'MAE': 'neg_mean_absolute_error', 'RMSE': 'neg_root_mean_squared_error', 'MAPE': 'neg_mean_absolute_percentage_error', 'R2': 'r2', 'leaves': count_leaves_scorer}", "source": "กำหนดคงที่ในโค้ด", "explanation": "ตัววัด CV โดยใช้ MAE หน่วยบาทเลือกผู้ชนะและใช้ใบวัดความซับซ้อน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.refit", "value": "select_1se", "source": "กำหนดคงที่ในโค้ด", "explanation": "ฟังก์ชันเลือกชุดค่าด้วยกฎ 1-SE แล้วฝึกผู้ชนะบน train ทั้งชุด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.return_train_score", "value": true, "source": "กำหนดคงที่ในโค้ด", "explanation": "เก็บคะแนน train เพื่อเทียบกับ CV; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.error_score", "value": "raise", "source": "กำหนดคงที่ในโค้ด", "explanation": "ให้หยุดเมื่อการฝึกเกิดข้อผิดพลาด; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.n_jobs", "value": 6, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานค้นหาที่ทำพร้อมกัน; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.pre_dispatch", "value": 6, "source": "กำหนดคงที่ในโค้ด", "explanation": "จำนวนงานที่ส่งล่วงหน้าเพื่อคุมหน่วยความจำ; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "GridSearchCV.verbose", "value": 0, "source": "กำหนดคงที่ในโค้ด", "explanation": "ระดับข้อความความคืบหน้าของการค้นหา; กำหนดคงที่ตามโค้ดโดยไม่ได้ปรับจูน।", "kind": "fixed" }, { "parameter": "selection.1SE", "value": "min CV MAE + SD(ddof=0)/sqrt(N_FOLDS); min leaves → CV MAE → index", "source": "กำหนดคงที่ในโค้ด", "explanation": "เลือกใบน้อยที่สุดในช่วงหนึ่ง SE จาก MAE ต่ำสุด; DT นับใบบน train ทั้งชุด ส่วน RF/XGB ใช้ค่าเฉลี่ยใบรวมจาก CV ตามโค้ด।", "kind": "fixed" }, { "parameter": "base_score", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ค่าทำนายเริ่มต้น; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "callbacks", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ฟังก์ชันเสริมระหว่างฝึก; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "colsample_bylevel", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "สัดส่วนคอลัมน์ที่สุ่มต่อระดับ; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "colsample_bynode", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "สัดส่วนคอลัมน์ที่สุ่มต่อโหนด; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "device", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "อุปกรณ์ประมวลผล; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "enable_categorical", "value": true, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "การอนุญาตข้อมูลหมวดหมู่แบบ native; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน; pipeline ใช้ FoldOneHot จึงไม่ได้ส่งหมวดหมู่ native।", "kind": "default" }, { "parameter": "feature_types", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ชนิดข้อมูลของตัวแปร; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "feature_weights", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "น้ำหนักในการสุ่มตัวแปร; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "importance_type", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "วิธีสรุปความสำคัญตัวแปร; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "interaction_constraints", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ข้อจำกัดปฏิสัมพันธ์ของตัวแปร; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "max_cat_threshold", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "จำนวนหมวดหมู่สูงสุดที่พิจารณาจุดแบ่ง; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน); pipeline ใช้ FoldOneHot จึงไม่ได้ส่งหมวดหมู่ native।", "kind": "default" }, { "parameter": "max_cat_to_onehot", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "เกณฑ์เลือก one-hot สำหรับข้อมูลหมวดหมู่ native; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน); pipeline ใช้ FoldOneHot จึงไม่ได้ส่งหมวดหมู่ native।", "kind": "default" }, { "parameter": "max_leaves", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "จำนวนใบสูงสุด; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "missing", "value": "NaN", "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ค่าที่ใช้แทนข้อมูลสูญหาย; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน।", "kind": "default" }, { "parameter": "monotone_constraints", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ข้อบังคับทิศทางความสัมพันธ์; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "multi_strategy", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "วิธีเรียนรู้หลายเป้าหมาย; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "num_parallel_tree", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "จำนวนต้นไม้ขนานต่อรอบ; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "sampling_method", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "วิธีสุ่มแถวฝึก; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "scale_pos_weight", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "น้ำหนักสัมพัทธ์ของคลาสบวก; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "validate_parameters", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "การตรวจชื่อพารามิเตอร์; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "verbosity", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (xgboost 3.4.1)", "explanation": "ระดับข้อความของ XGBoost; คงค่าเริ่มต้นของไลบรารีโดยไม่ได้ปรับจูน (None คือไม่ได้ระบุใน Python wrapper ให้ backend ตัดสิน)।", "kind": "default" }, { "parameter": "target.check_inverse", "value": true, "source": "ค่าเริ่มต้นของไลบรารี (sklearn 1.9.1)", "explanation": "ตรวจว่าฟังก์ชันแปลงและแปลงกลับสอดคล้องกัน; คงค่าเริ่มต้นโดยไม่ได้ปรับจูน।", "kind": "default" }, { "parameter": "target.transformer", "value": null, "source": "ค่าเริ่มต้นของไลบรารี (sklearn 1.9.1)", "explanation": "ตัวแปลงเป้าหมายแบบ estimator ซึ่งไม่ได้ส่งเพราะใช้คู่ฟังก์ชัน log/exp; คงค่าเริ่มต้นโดยไม่ได้ปรับจูน।", "kind": "default" } ], "missing": [], "runtime": { "start": "2026-10-26 04:02:27", "end": "2026-10-26 04:31:51", "status": "ok", "seconds": 1764.0 } } ], "total_seconds": 15660.0, "missing": [] }