The latest articles on Forem by Poko Kojo (@poko_kojo_1ed8db83eb4481b). https://forem.com/poko_kojo_1ed8db83eb4481b https://media2.dev.to/dynamic/image/width=90,height=90,fit=cover,gravity=auto,format=auto/https:%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Fuser%2Fprofile_image%2F3015450%2Fc75f3bec-84d7-4a87-8ac0-53099f930336.png https://forem.com/poko_kojo_1ed8db83eb4481b en Poko Kojo Thu, 10 Apr 2025 13:42:02 +0000 https://forem.com/poko_kojo_1ed8db83eb4481b/kaarthamnaayatraaaelkepliiynkhngskulenginbaath-thb-aeladllaarshrath-usd-dwy-machine-learning-ain-python-34ld https://forem.com/poko_kojo_1ed8db83eb4481b/kaarthamnaayatraaaelkepliiynkhngskulenginbaath-thb-aeladllaarshrath-usd-dwy-machine-learning-ain-python-34ld <p>บทนำ<br> ในบทความนี้ เราจะมาเรียนรู้การทำนายอัตราแลกเปลี่ยนระหว่างเงินบาท (THB) และดอลลาร์สหรัฐ (USD) โดยใช้ Python และเทคนิคการเรียนรู้ของ Machine Learning เราจะใช้ข้อมูลอัตราแลกเปลี่ยนในอดีตในการสร้างโมเดลและทำนายอัตราแลกเปลี่ยนในอนาคต</p> <p>ข้อมูลชุดทดสอบ<br> ในตัวอย่างนี้ เราจะใช้ข้อมูลอัตราแลกเปลี่ยนระหว่างเงินบาทและดอลลาร์สหรัฐจากแหล่งข้อมูลสาธารณะ <a href="https://fred.stlouisfed.org/series/EXTHUS" rel="noopener noreferrer">https://fred.stlouisfed.org/series/EXTHUS</a> ข้อมูลนี้ประกอบด้วยอัตราแลกเปลี่ยนระหว่างสองสกุลเงินนี้ในช่วงเวลาระหว่างปี1980 - 2025</p> <p>ขั้นตอนการสร้างโมเดล<br> <strong>ขั้นตอนที่ 1: การนำเข้าไลบรารีที่จำเป็น</strong><br> เริ่มต้นโดยการนำเข้าไลบรารีที่จำเป็นใน Python: </p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F2vg84yt026i1iw5gokyd.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F2vg84yt026i1iw5gokyd.png" alt="Image description" width="534" height="140"></a> </p> <p><strong>ขั้นตอนที่ 2: การโหลดข้อมูล</strong><br> เราสามารถดาวน์โหลดข้อมูลจากแหล่งข้อมูลเช่น FRED หรือ OANDA API หรือจะใช้ไฟล์ CSV ที่เรามีอยู่แล้วก็ได้ ในที่นี้เราจะเอาข้อมูลจาก FRED มาใช้</p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fw2mjkbox6x5ypetsniyp.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fw2mjkbox6x5ypetsniyp.png" alt="Image description" width="469" height="201"></a></p> <p>ผลที่ได้</p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F8vxdzjhi75g4s3nemjml.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F8vxdzjhi75g4s3nemjml.png" alt="Image description" width="800" height="128"></a></p> <p><strong>ขั้นตอนที่ 3: จัดการข้อมูลให้เหมาะสม</strong><br> ในขั้นตอนนี้ เราจะจัดการข้อมูลให้เหมาะสม เช่น การแปลงคอลัมน์วันที่ให้เป็นรูปแบบที่เหมาะสม และการจัดการค่าที่หายไป</p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Frvmnabu0w1mgmtfqg328.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Frvmnabu0w1mgmtfqg328.png" alt="Image description" width="511" height="86"></a></p> <p><strong>ขั้นตอนที่ 4: การแสดงข้อมูลในกราฟ</strong><br> การแสดงกราฟข้อมูลอัตราแลกเปลี่ยนในช่วงเวลาต่างๆ จะช่วยให้เรามองเห็นแนวโน้มของข้อมูลได้ชัดเจนยิ่งขึ้น</p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F66bz10j9txucim0su6v4.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F66bz10j9txucim0su6v4.png" alt="Image description" width="642" height="185"></a></p> <p>กราฟที่ได้</p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fqf8p7renuj2n18bx2jmp.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fqf8p7renuj2n18bx2jmp.png" alt="Image description" width="800" height="517"></a></p> <p><strong>ขั้นตอนที่ 5: การเตรียมข้อมูลสำหรับการทำนาย</strong><br> ในขั้นตอนนี้ เราจะเลือกตัวแปรที่เป็นอิสระ (Independent variable) และตัวแปรที่เราต้องการทำนาย (Dependent variable) โดยที่เราจะใช้ 'Date' เป็นตัวแปรอิสระและ 'EXTHUS' เป็นตัวแปรที่เราจะทำนาย</p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fnfib0wewr8ocwxg1quh0.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fnfib0wewr8ocwxg1quh0.png" alt="Image description" width="501" height="56"></a></p> <p><strong>ขั้นตอนที่ 6: การสร้างโมเดล Linear Regression</strong><br> เราจะใช้ Linear Regression จาก Scikit-Learn ในการสร้างโมเดลทำนายอัตราแลกเปลี่ยน</p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fxgqghbkblpij0v5qilte.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fxgqghbkblpij0v5qilte.png" alt="Image description" width="391" height="164"></a></p> <p>ค่า Intercept และ Coefficient ของ regression model</p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fkjm0juqpjx285phhpgmc.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fkjm0juqpjx285phhpgmc.png" alt="Image description" width="329" height="48"></a></p> <p><strong>ขั้นตอนที่ 7: การประเมินโมเดล</strong><br> เมื่อสร้างโมเดลเสร็จแล้ว เราจะทดสอบการทำนายและประเมินประสิทธิภาพของโมเดลด้วยการแสดงกราฟและคำนวณค่า Root Mean Square Error (RMSE)</p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fev8ek27nq9kpd97l41dk.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fev8ek27nq9kpd97l41dk.png" alt="Image description" width="464" height="135"></a></p> <p>จะได้ ค่า RMSE = 5.262</p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F3x0hdzkhwao0fw6jlaqi.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F3x0hdzkhwao0fw6jlaqi.png" alt="Image description" width="239" height="30"></a></p> <p>แสดงกราฟผลการทำนาย</p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fjpdz6flcgqwfl624cyue.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2Fjpdz6flcgqwfl624cyue.png" alt="Image description" width="562" height="95"></a></p> <p>กราฟที่ได้</p> <p><a href="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F7cncsv94k6sftuobwcrt.png" class="article-body-image-wrapper"><img src="https://media2.dev.to/dynamic/image/width=800%2Cheight=%2Cfit=scale-down%2Cgravity=auto%2Cformat=auto/https%3A%2F%2Fdev-to-uploads.s3.amazonaws.com%2Fuploads%2Farticles%2F7cncsv94k6sftuobwcrt.png" alt="Image description" width="680" height="530"></a></p> <p><strong>สรุปผล</strong><br> การทำนายอัตราแลกเปลี่ยนด้วย Machine Learning โดยใช้ Linear Regression เป็นการสร้างโมเดลที่สามารถทำนายอัตราแลกเปลี่ยนระหว่างสกุลเงินบาท (THB) และดอลลาร์สหรัฐ (USD) ตามข้อมูลที่มีการเปลี่ยนแปลงตามเวลา (เช่น วันที่) โดยเริ่มต้นจากการเตรียมข้อมูลอัตราแลกเปลี่ยนจากแหล่งข้อมูล เช่น ไฟล์ CSV หลังจากนั้นทำการแปลงข้อมูลให้เหมาะสม เช่น การจัดการกับข้อมูลที่ขาดหายหรือผิดปกติก่อนที่จะใช้โมเดล Linear Regression ในการฝึกสอนด้วยข้อมูลวันที่เป็นตัวแปรอิสระและอัตราแลกเปลี่ยนเป็นตัวแปรที่ต้องการทำนาย การประเมินผลโมเดลสามารถทำได้โดยการคำนวณค่า RMSE เพื่อวัดความผิดพลาดจากการทำนาย และสุดท้ายการแสดงผลลัพธ์ในรูปกราฟเปรียบเทียบระหว่างข้อมูลจริงและผลการทำนายจากโมเดล เพื่อให้เห็นภาพชัดเจนของการทำนายอัตราแลกเปลี่ยนในอนาคต</p> <p><strong>Reference</strong><br> <a href="https://dev.to/mark_mark_642ef2f2468bbaf/rabbkaaraeplngkhaaskulenginyaangmaatrthaan-5588">https://dev.to/mark_mark_642ef2f2468bbaf/rabbkaaraeplngkhaaskulenginyaangmaatrthaan-5588</a><br> <a href="https://dev.to/ketnas/sraang-simple-linear-regression-model-odyaich-python-3ofo">https://dev.to/ketnas/sraang-simple-linear-regression-model-odyaich-python-3ofo</a></p> python ai