បញ្ហា (The Problem)៖ បច្ចេកទេសតាមដានគុណភាពទឹកតាមបែបប្រពៃណីមានការលំបាក ចំណាយពេលយូរ និងមិនអាចផ្តល់ការវាយតម្លៃបានភ្លាមៗ (Real-time) ដែលធ្វើឱ្យមានការលំបាកក្នុងការទប់ស្កាត់ការបំពុលប្រភពទឹកទាន់ពេលវេលា។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យគុណភាពទឹកយ៉ាងទូលំទូលាយ និងអនុវត្តក្បួនដោះស្រាយម៉ាស៊ីនរៀន (Machine Learning Algorithms) ដើម្បីបង្កើតម៉ូដែលចំណាត់ថ្នាក់ (Classification Model) ក្នុងការវាយតម្លៃភាពអាចបរិភោគបាននៃទឹក។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Random Forest ម៉ូដែលព្រៃចៃដន្យ (Random Forest) |
មានភាពត្រឹមត្រូវខ្ពស់បំផុត និងអាចដោះស្រាយទិន្នន័យដែលមានទំនាក់ទំនងស្មុគស្មាញ (Non-linear) បានល្អ។ វាជួយកាត់បន្ថយបញ្ហាការចងចាំទិន្នន័យហួសកម្រិត (Overfitting) តាមរយៈការប្រើប្រាស់វិធីសាស្ត្របណ្តុំ (Ensemble learning)។ | ត្រូវការកម្លាំងម៉ាស៊ីន និងចំណាយពេលគណនាច្រើននៅពេលទិន្នន័យកើនឡើងធំ។ ម៉ូដែលនេះមានលក្ខណៈស្មុគស្មាញ ដែលធ្វើឱ្យពិបាកក្នុងការបកស្រាយដំណើរការខាងក្នុង (Lack of interpretability)។ | ទទួលបានភាពត្រឹមត្រូវខ្ពស់រហូតដល់ ៧០.១២% (នៅពេលបែងចែកទិន្នន័យ ៩:១)។ |
| K-Nearest Neighbor (KNN) ម៉ូដែលអ្នកជិតខាង K (K-Nearest Neighbor) |
ជាក្បួនដោះស្រាយដែលងាយស្រួលយល់ និងមិនមានរចនាសម្ព័ន្ធស្មុគស្មាញ (Non-parametric) ដែលស័ក្តិសមក្នុងការចាប់យកទម្រង់ទិន្នន័យតាមតំបន់ជាក់លាក់។ | ងាយរងផលប៉ះពាល់ពីទិន្នន័យរំខាន (Noise) និងជួបការលំបាកក្នុងការគណនាចម្ងាយលើទិន្នន័យធំៗ ដែលធ្វើឱ្យវាមានភាពយឺតយ៉ាវ និងស៊ីកម្លាំងកុំព្យូទ័រច្រើន។ | ទទួលបានភាពត្រឹមត្រូវ ៥៩.១៤% ជាមួយនឹងការកំណត់តម្លៃ K=22។ |
| Decision Tree ម៉ូដែលដើមឈើសម្រេចចិត្ត (Decision Tree) |
មានដំណើរការលឿន ងាយស្រួលប្រើ និងងាយស្រួលក្នុងការបកស្រាយអត្ថន័យនៃលទ្ធផល ដោយធ្វើការបែងចែកទិន្នន័យតាមលក្ខណៈវិនិច្ឆ័យច្បាស់លាស់។ | ងាយនឹងមានបញ្ហាការចងចាំទិន្នន័យហួសកម្រិត (Overfitting) ខ្លាំងនៅពេលសំណុំទិន្នន័យមានភាពស្មុគស្មាញ ដែលធ្វើឱ្យសមត្ថភាពព្យាករណ៍ទិន្នន័យថ្មីធ្លាក់ចុះ។ | ទទួលបានភាពត្រឹមត្រូវទាបជាងគេ ត្រឹមតែ ៥៨.៨៤%។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអភិវឌ្ឍម៉ូដែលទាំងនេះទាមទារធនធានកុំព្យូទ័រពីមធ្យមទៅខ្ពស់ និងការរៀបចំទិន្នន័យយ៉ាងប្រុងប្រយ័ត្នដើម្បីធានាបាននូវប្រសិទ្ធភាព។
ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យទូទៅដែលទាញយកពី Kaggle (មិនបានបញ្ជាក់តំបន់ភូមិសាស្ត្រជាក់លាក់) ទោះបីជាមានការលើកឡើងពីបញ្ហាទឹកនៅប្រទេសឥណ្ឌាក៏ដោយ។ សម្រាប់ប្រទេសកម្ពុជា ការទាញយកម៉ូដែលនេះមកប្រើប្រាស់ផ្ទាល់អាចនឹងមានភាពលម្អៀង ព្រោះលក្ខណៈគីមី និងបរិស្ថាននៃប្រភពទឹកនៅកម្ពុជាមានភាពខុសគ្នាពីទិន្នន័យគោល។ ការចងក្រងសំណុំទិន្នន័យក្នុងស្រុកគឺជារឿងចាំបាច់។
បច្ចេកទេសម៉ាស៊ីនរៀន (Machine Learning) នេះមានសក្តានុពល និងសារៈសំខាន់ខ្លាំងណាស់សម្រាប់ការត្រួតពិនិត្យគុណភាពទឹកតាមប្រព័ន្ធបច្ចេកវិទ្យានៅប្រទេសកម្ពុជា។
ការធ្វើសមាហរណកម្មម៉ូដែលម៉ាស៊ីនរៀនទាំងនេះទៅក្នុងប្រព័ន្ធតាមដានគុណភាពទឹក នឹងជួយឱ្យស្ថាប័នគ្រប់គ្រងធនធានទឹកនៅកម្ពុជាអាចធ្វើសេចក្តីសម្រេចចិត្តបានលឿន និងការពារសុខភាពសាធារណៈបានយ៉ាងមានប្រសិទ្ធភាព។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Random Forest | ជាវិធីសាស្ត្រម៉ាស៊ីនរៀនដែលបង្កើត "ដើមឈើសម្រេចចិត្ត" (Decision Trees) ជាច្រើន ហើយយកលទ្ធផលរបស់ពួកវាភាគច្រើនមកសរុបបញ្ចូលគ្នា ដើម្បីធ្វើការទស្សន៍ទាយឲ្យកាន់តែសុក្រឹត និងកាត់បន្ថយកំហុសពីការស្មាន។ | ដូចជាការសួរសំណួរទៅកាន់មនុស្ស១០០នាក់ផ្សេងគ្នា ហើយយកចម្លើយដែលត្រូវគ្នាច្រើនជាងគេ ដើម្បីធ្វើការសម្រេចចិត្តចុងក្រោយមួយដ៏ត្រឹមត្រូវ។ |
| K-Nearest Neighbor (KNN) | ជាក្បួនដោះស្រាយដែលធ្វើចំណាត់ថ្នាក់ទិន្នន័យថ្មីមួយ ដោយផ្អែកលើការប្រៀបធៀបគម្លាត (ចម្ងាយ) ទៅនឹងទិន្នន័យចាស់ៗដែលនៅជិតវាបំផុតចំនួន 'K' ដើម្បីកាត់សេចក្តីថាវាគួរចូលក្នុងក្រុមណា។ | ដូចជាការទាយពីអត្តចរិតរបស់មនុស្សម្នាក់ ដោយសង្កេតមើលមិត្តភក្តិជិតស្និទ្ធបំផុតរបស់គាត់ចំនួន ៥ នាក់។ |
| Overfitting | ជាបញ្ហាដែលម៉ូដែលម៉ាស៊ីនរៀនចងចាំទិន្នន័យហ្វឹកហាត់ (Training data) លម្អិតពេក រហូតដល់វាទន្ទេញចាំទាំងចំណុចខុសឆ្គង (Noise) នៅក្នុងទិន្នន័យចាស់ ដែលធ្វើឲ្យវាមិនអាចទស្សន៍ទាយទិន្នន័យថ្មីៗបានត្រឹមត្រូវ។ | ដូចជាសិស្សដែលទន្ទេញចាំតែលំហាត់ក្នុងសៀវភៅ តែដល់ពេលប្រឡងចេញលំហាត់ថ្មីខុសពីសៀវភៅបន្តិច គាត់ធ្វើមិនបាន។ |
| Ensemble learning | ជាបច្ចេកទេសបូកបញ្ចូលម៉ូដែលម៉ាស៊ីនរៀនជាច្រើនតូចៗបញ្ចូលគ្នា ដើម្បីធ្វើការសហការគ្នាបង្កើតជាម៉ូដែលមួយដែលខ្លាំង មានភាពរឹងមាំ និងមានប្រសិទ្ធភាពខ្ពស់ជាងការប្រើម៉ូដែលតែមួយ។ | ដូចជាការចងចង្កឹះមួយបាច់ដែលពិបាកបំបាក់ ជាងការប្រើចង្កឹះតែមួយដើម។ |
| Hyperparameter tuning | ជាដំណើរការនៃការកែតម្រូវតម្លៃកំណត់ជាមុន (Settings) របស់ក្បួនដោះស្រាយម៉ាស៊ីនរៀន (ឧទាហរណ៍៖ ចំនួនកម្រិតជម្រៅនៃដើមឈើ) ក្នុងគោលបំណងស្វែងរកចំណុចដែលម៉ូដែលដំណើរការបានល្អបំផុត។ | ដូចជាការកែរលកសញ្ញាវិទ្យុបន្តិចម្តងៗឲ្យចំប៉ុស្តិ៍ ដើម្បីឲ្យស្តាប់សំឡេងបានច្បាស់ល្អដោយមិនមានសំឡេងរំខាន។ |
| Confusion matrix | ជាតារាងរង្វាស់ដែលបង្ហាញពីចំនួនដងដែលម៉ូដែលទាយត្រូវ និងទាយខុស (ឧ. ទាយថាទឹកស្អាតតែការពិតកខ្វក់ ឬទាយថាកខ្វក់តែការពិតស្អាត) ដើម្បីវាយតម្លៃប្រសិទ្ធភាពលម្អិតរបស់ម៉ូដែលចំណាត់ថ្នាក់។ | ដូចជាតារាងពិន្ទុដែលកត់ត្រាថា គ្រូពេទ្យពិនិត្យរោគសញ្ញាត្រូវប៉ុន្មានដង និងពិនិត្យខុសប៉ុន្មានដង។ |
| Turbidity | ជារង្វាស់នៃកម្រិតភាពល្អក់នៃទឹក ដែលបង្កឡើងដោយភាគល្អិតតូចៗអណ្តែតកកកុញក្នុងទឹក ដែលវាជាសូចនាករដ៏សំខាន់មួយក្នុងការវាយតម្លៃថាទឹកនោះមានសុវត្ថិភាពឬទេ។ | ដូចជាការមើលតាមកញ្ចក់ឡានដែលមានជាប់ធូលីដីស្រអាប់ ដែលធ្វើឲ្យយើងមើលផ្លូវខាងមុខមិនសូវច្បាស់។ |
| Class imbalance | ជាស្ថានភាពដែលទិន្នន័យសម្រាប់ហ្វឹកហាត់មានចំនួនមិនសមាមាត្រគ្នាខ្លាំងរវាងប្រភេទនីមួយៗ (ឧ. ទិន្នន័យទឹកស្អាតមានច្រើនជាងទឹកកខ្វក់ខ្លាំង) ដែលអាចធ្វើឲ្យម៉ូដែលទាយលម្អៀងទៅរកប្រភេទដែលមានច្រើនជាងជានិច្ច។ | ដូចជាការបង្រៀនក្មេងឲ្យស្គាល់សត្វ ដោយឲ្យមើលរូបឆ្កែ១០០សន្លឹក តែមើលរូបឆ្មាតែ១សន្លឹក ដែលធ្វើឲ្យក្មេងនោះងាយនឹងទាយច្រឡំថាឆ្មាគឺជាឆ្កែដែរ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
