Logistic Regression

โดย ชิตพงษ์ กิตตินราดร | ธันวาคม 2562

คราวที่แล้วเราได้เรียนรู้ Linear Regression เพื่อสร้างโมเดลพยากรณ์ผลลัพธ์ที่เป็นตัวเลขต่อเนื่อง (Continuous number) คราวนี้เราจะมาสร้างโมเดลสำหรับพยากรณ์หมวดหมู่ หรือที่เรียกว่า Classification กันบ้าง

โจทย์ของเราคือการจำแนกสายพันธุ์ของพืชตระกูล Iris ออกเป็น 3 กลุ่ม คือ Sentosa, Versicolor, และ Virginica โดยมีข้อมูลอยู่ 4 Feature คือ ความยาวกลีบเลี้ยง (Sepal length), ความกว้างกลีบเลี้ยง (Sepal width), ความยาวกลีบดอก (Petal length), และความกว้างกลีบดอก (Petal width) โดยทั้งหมดมีหน่วยวัดเป็นเซนติเมตร

ภาพจาก Radomil, CC BY-SA 3.0 | Dlanglois, CC BY-SA 3.0 | Frank Mayfield – originally posted to Flickr as Iris virginica shrevei BLUE FLAG, CC BY-SA 2.0

Load

เราจะใช้ชุดข้อมูล Iris plants dataset ซึ่งเป็นชุดข้อมูลยอดนิยมในการทดสอบโมเดลการจำแนกแบบหลายหมวดหมู่ โดยชุดข้อมูลนี้ถูกฝังอยู่ใน scikit-learn เรียบร้อยแล้ว สามารถเรียกใช้ได้เลยโดยการเรียก load_iris() ฟังก์ชัน ในคลาส datasets:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn import datasets
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression

# Load the iris data
iris = datasets.load_iris()

Explore

เมื่อโหลดแล้วลองดูโครงสร้างและคำอธิบายข้อมูล:

print(iris.keys())
print(iris["DESCR"])
print("Feature names are: ", iris["feature_names"])
print("Target names are: ", iris["target_names"])

Method .keys ของ iris object จะเรียกดู Dictionary key ของชุดข้อมูล ซึ่งประกอบด้วย:

dict_keys(['data', 'target', 'target_names', 'DESCR', 'feature_names', 'filename'])

หมายความว่าถ้าเราเรียกดู Keys เหล่านี้ ก็จะเจอข้อมูลใน Key นั้นๆ เช่น ถ้าเราอยากรู้ว่าหมวดหมู่ที่จะพยากรณ์ มีอะไรบ้าง ก็เรียก iris["target_names"] ก็จะได้:

['setosa' 'versicolor' 'virginica']

แนะนำให้เรียก iris["DESCR"] เพื่อดูคำอธิบายชุดข้อมูลด้วย จะได้เข้าใจที่มาที่ไป ลักษณะ และจำนวนตัวอย่างข้อมูล:

Iris plants dataset
--------------------

**Data Set Characteristics:**

    :Number of Instances: 150 (50 in each of three classes)
    :Number of Attributes: 4 numeric, predictive attributes and the class
    :Attribute Information:
        - sepal length in cm
        - sepal width in cm
        - petal length in cm
        - petal width in cm
        - class:
                - Iris-Setosa
                - Iris-Versicolour
                - Iris-Virginica

    :Summary Statistics:

    ============== ==== ==== ======= ===== ====================
                    Min  Max   Mean    SD   Class Correlation
    ============== ==== ==== ======= ===== ====================
    sepal length:   4.3  7.9   5.84   0.83    0.7826
    sepal width:    2.0  4.4   3.05   0.43   -0.4194
    petal length:   1.0  6.9   3.76   1.76    0.9490  (high!)
    petal width:    0.1  2.5   1.20   0.76    0.9565  (high!)
    ============== ==== ==== ======= ===== ====================

    :Missing Attribute Values: None
    :Class Distribution: 33.3% for each of 3 classes.
    :Creator: R.A. Fisher
    :Donor: Michael Marshall (MARSHALL%[email protected])
    :Date: July, 1988

The famous Iris database, first used by Sir R.A. Fisher. The dataset is taken
from Fisher's paper. Note that it's the same as in R, but not as in the UCI
Machine Learning Repository, which has two wrong data points.

This is perhaps the best known database to be found in the
pattern recognition literature.  Fisher's paper is a classic in the field and
is referenced frequently to this day.  (See Duda & Hart, for example.)  The
data set contains 3 classes of 50 instances each, where each class refers to a
type of iris plant.  One class is linearly separable from the other 2; the
latter are NOT linearly separable from each other.

Prepare

พอเข้าใจข้อมูลแล้ว ก็ต้องเตรียมข้อมูลให้อยู่ในรูปแบบที่จะนำไปให้โมเดลฝึกได้ ซึ่งโดยหลักการคือการกำหนด Matrix ข้อมูลให้อยู่ในตัวแปร X ส่วน Vector เป้าหมายให้อยู่ในตัวแปร y โดยสำหรับชุดข้อมูลที่ฝังอยู่ใน scikit_learn เราสามารถเรียก Method .data และ .target ได้เลย

X = iris.data
y = iris.target
print("X_shape shape is:", X.shape)
print("y_shape shape is:", y.shape)

สองบรรทัดสุดท้าย เป็นการตรวจสอบมิติของข้อมูลทั้ง X และ y ซึ่งจะได้:

X_shape shape is: (150, 4)
y_shape shape is: (150,)

แปลว่า X เป็น Matrix ขนาด (150, 4) คือมี 150 แถวเท่ากับจำนวนตัวอย่าง และ 4 คอลัมน์เท่ากับจำนวน Feature ส่วน y เป็น Column vector ขนาด 150 ซึ่งจะต้องเท่ากับจำนวนแถวของ X matrix

อนึ่ง เราใช้ตัวพิมพ์ใหญ่ เช่น X เวลาแทน Matrix ส่วน Vector ใช้ตัวพิมพ์เล็กเช่น y เพื่อทำให้ชัดเจนว่าข้อมูลอยู่ในประเภทอะไรทางคณิตศาสตร์

จากนั้นเราจะแบ่งข้อมูลออกเป็น Train set กับ Test set โดยการสุ่มด้วยฟังก์ชัน train_test_split ในโมดูล model_selection โดยฟังก์ชันนี้จะ Return ตัวแปร 4 ตัว ได้แก่ Matrix X เพื่อเทรน, Matrix X เพื่อทดสอบ, Vector Y เพื่อเทรน, และ Vector Y เพื่อทดสอบ ตามลำดับ ดังนั้นให้เรากำหนดตัวแปรทั้ง 4 เมื่อเรียกฟังก์ชันนี้

# Split the data into train and test set
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)
print("X_train shape is:", X_train.shape)
print("y_train shape is:", y_train.shape)
print("X_test shape is:", X_test.shape)
print("y_test shape is:", y_test.shape)

สังเกตว่า train_test_split มี Argument X, y ซึ่งก็คือชุดข้อมูลที่เราเพิ่งเตรียม และมี random_state ซึ่งทำให้เราสามารถกำหนดได้การสุ่มแต่ละครั้งได้ผลออกมาเหมือนกัน ซึ่งเป็นประโยชน์ในการทดสอบโมเดล เพราะถ้าเราเรียกฟังก์ชันแต่ละครั้งแล้วผลออกมาไม่เหมือนกัน คือแต่ละครั้งก็สุ่มใหม่ เราจะไม่สามารถควบคุมตัวแปรในการทดสอบโมเดลได้

วิธีการกำหนด random_state คือการใส่ตัวเลขจำนวนเต็มอะไรก็ได้ลงไป ถ้าดูหนังสือหรือโค้ดคนอื่นจะเห็นว่าบางทีจะใส่เลข 42 อันนี้เป็น Meme ซึ่งมาจากนิยายวิทยาศาสตร์เรื่อง A Hitchhiker’s Guide to the Galaxy ของ Douglas Adams

Visualise

ก่อนจะสร้างโมเดลก็น่าจะลอง Visualise ข้อมูลให้เห็นภาพสักหน่อย ในที่นี่เราจะสร้าง Scatterplot matrix ซึ่งแสดงความสัมพันธ์ระหว่างข้อมูลแต่ละ Feature และจำแนกจุดที่เป็นตัวแทนของข้อมูลที่อยู่ในหมวดหมู่แต่ละหมวดจาก 3 หมวด โดยการใช้สีที่ไม่เหมือนกัน

# Plot the data
iris_df = pd.DataFrame(X_train, columns=iris.feature_names)
pd.plotting.scatter_matrix(iris_df, c=y_train, figsize=(12,12), marker="o")

ได้ผลแบบนี้:

วิธีอ่าน Scatterplot matrix มีดังนี้:

• Scatterplot matrix แสดงความสัมพันธ์ระหว่างตัวแปรสองตัว ซึ่งอาจจะเป็น Feature ทั้งสองตัว หรืออาจจะเป็น Feature กับ Label ก็ได้ โดยแสดงทุกคู่ความสัมพันธ์ที่เป็นไปได้อยู่ในภาพเดียวกัน เลยมีหน้าตาเป็น Matrix
• จะเห็นว่า Matrix ช่องบนซ้ายแทยงลงมาช่องล่างขวา ไม่ได้แสดงเป็น Scatter plot แต่เป็น Distribution plot เพราะมันคือความสัมพันธ์ของตัวมันเอง โดย Distribution plot ก็มีประโยชน์ ทำเราจะได้เห็นว่ารายการข้อมูลทั้งหมดมีการกระจายตัวใน Feature นั้นอย่างไร เช่น ช่อง Sepal width พบว่ามีการกระจายตัวแบบ Normal distribution คือข้อมูลส่วนมากมีค่าอยู่กลางๆ แถวๆ Mean แล้วกระจายตัวออกทั้งด้านลบและด้านบวก
• ส่วนช่องอื่นๆ เราสามารถกำหนดให้แยกสีตาม Label ได้ ทำให้เห็นว่าในแต่ละคู่ความสัมพันธ์ ข้อมูล Label ไหนอยู่ตรงไหน ตัวอย่างเช่น คู่ Petal length VS. Sepal length (แถว 3 คอลัมน์ 1) จะเห็นว่า Label แรกจะมี Petal และ Sepal length น้อย, Label ที่สองอยู่ตรงกลางๆ, และ Label ที่สามมีค่ามาก แต่เมื่อดู Sepal width VS. Sepal length (แถว 2 คอลัมน์ 1) พบว่า Label 2 และ 3 มีค่าผสมผสานกัน แยกกจากกันไม่เด็ดขาด เป็นต้น

สำหรับเรา ประโยชน์หนึ่งจากการอ่าน Scatterplot matrix คือการสร้างความเข้าใจในภาพรวมว่าชุดข้อมูลนี้น่าจะ “ยาก” หรือ “ง่าย” ในการสร้างโมเดล โดยถ้าข้อมูลแต่ละ Label แยกจากกันค่อนข้างชัด การสร้างโมเดลก็จะค่อนข้างง่ายและแม่นยำ

Logistic regression algorithm

และแล้วก็เกือบถึงเวลาที่จะฝึกโมเดลให้เข้ากับชุดข้อมูล แต่ก่อนหน้านั้นเรามาทำความเข้าใจว่า Algorithm ที่เราจะใช้นั้นทำงานอย่างไร โดย Algorithm ที่เราเลือกใช้คือ Logistic Regression ชื่ออาจจะฟังดูเหมือน Regression ที่มีเป้าหมายพยากรณ์ค่าต่อเนื่อง แต่ในความเป็นจริงไม่ได้เป็นอย่างนั้น เราลองมาดูกันว่าโมเดลนี้ทำงานอย่างไร

Hypothesis function

ใน Classification model เราต้องการให้ y มีคำตอบ คือ 0 หรือ 1 เท่านั้น ซึ่งหมายความว่า “ไม่ใช่” หรือ “ใช่” (ตอนนี้กำหนดให้มีสองคำตอบไปก่อน การใช้หลักการเดียวกันมาใช้กับการจัดหมวดหมู่ที่มีหลายคำตอบ ทำได้โดยการใช้ Softmax function ซึ่งจะกล่าวถึงภายหลัง)

แต่ในความเป็นจริง เราไม่สามารถมั่นใจอะไรได้ร้อยเปอร์เซ็น ว่าคำตอบคือ “ไม่ใช่” หรือ “ใช่” ดังนั้น สิ่งที่เราต้องการ คือเราจะสร้าง Hypothesis function ที่ให้ค่าความเป็นไปได้ ที่คำตอบจะคือ “ไม่ใช่” หรือ “ใช่” โดยกำหนดขอบเขตการตัดสินใจ (Decision boundary) ไว้ที่ 0.5 ซึ่งจะทำให้เราได้ขอบเขตการตัดสินใจดังนี้:

โดย คือ Hypothesis function ที่มี x เป็น Input ซึ่งอยู่ในรูปของ:

อ่านว่า Sigma และ อ่านว่า Sigmoid z ซึ่ง นี้เป็นฟังก์ชันที่เรียกว่า Sigmoid function หรือ Logistic function ซึ่งเป็นที่มาของชื่อ Logistic regression นั่นเอง

Sigmoid function มีหน้าตาอย่างนี้:

• แกนนอนคือ Input ซึ่งในที่นี้คือ ส่วนแกนตั้งคือ Output ซึ่งในที่นี้คือ
• สังเกตว่าเมื่อ มีค่ามาก จะมีค่าเข้าใกล้ 1 ส่วนเมื่อ มีค่าน้อย จะมีค่าเข้าใกล้ 0
• สังเกตว่าเมื่อ , ซึ่งอยู่กึ่งกลางระหว่าง Limit ด้านบน คือ 1 และ Limit ด้านล่าง คือ 0 ดังนั้นเราจึงเลือก 0.5 เป็นขอบเขตการตัดสินใจนั่นเอง
• คือค่าคงที่ของ Euler มีค่าเท่ากับ 2.7182 (และทศนิยมลำดับต่อไปเรื่อยๆ)
• คือ Linear function ซึ่งเราเคยใช้ใน Linear regression โดยไม่มีตัวแปร Intercept

นั่นหมายความว่า:

อนึ่ง สำหรับใครที่สนใจจะเขียน Algorithm เอง จะควรจะแปลง ให้เป็น Vectorised form เพื่อเร่งความเร็วในการคำนวน ซึ่งมีวิธีคือหาการ Dot product ของ W transpose และ X (ทั้งคู่เป็น Matrix) ดังนั้นเราจะได้ Sigmoid function ดังนี้:

เมื่อได้ Hypotheses function แล้ว หน้าที่ของเรา คือการหาค่า w ที่จะทำให้ค่าความคลาดเคลื่อนระหว่าง กับ นั้นน้อยที่สุด การที่จะทำให้ค่าความคลาดเคลื่อนน้อยที่สุดดังกล่าว ก็ต้องอาศัย Cost function และการหา Gradient descent ของ Cost function เหมือนที่เราเคยทำ

Cost function

สำหรับ Logistic regression เราจะใช้ Cost function ดังนี้:

ลองทำความเข้าใจเงื่อนไขของ Cost function ด้านบน พิจารณาว่าหน้าที่ของ Cost function คือการหาค่าตัวแปรที่จะส่งผลให้ Cost นั้นต่ำที่สุด ซึ่งแบ่งได้เป็น 2 กรณี คือเมื่อ y เท่ากับ 1 และ y เท่ากับ 0

โดยในกรณีของ y เท่ากับ 1 หากเราได้ Hypothesis function จะทำให้ Cost function ซึ่งก็คือ ซึ่งมีค่าน้อยที่สุดที่จะเป็นไปได้ ดังนั้นเราจึงใช้ เป็นตัวแทนของ Cost function ในกรณี

ส่วนในกรณีของ y เท่ากับ 0 หากเราได้ Hypothesis function จะทำให้ Cost function ซึ่งก็คือ ซึ่งมีค่าน้อยที่สุดที่จะเป็นไปได้ ดังนั้นเราจึงใช้ เป็นตัวแทนของ Cost function ในกรณี

เงื่อนไขทั้งสองแบบ สามารถนำมารวมกันเป็นสมการเดียวได้ว่า:

นำ Cost function นี้มาใส่ในรูปแบบ Cost function ของ Linear regression:

จะได้ Cost function เต็มรูปแบบ คือ:

หรือใน Vectorised form ดังนี้:

Gradient descent

เชื่อหรือไม่ว่าอนุพันธ์ของ ของ Logistic regression cost function นั้นเหมือนกับอนุพันธ์ ของ Linear regression cost function:

ส่วน Vectorized version ก็คือ:

ดังนั้น วิธีการอับเดตตัวแปรจึงทำเหมือน Linear regression ทุกประการ

Softmax function

Algorithm ของเราสามารถให้คำตอบสำหรับปัญหาที่มีคำตอบแค่ 2 ค่า คือ 1 กับ 0 เรียกว่า Binary classification แล้วถ้าคำตอบมีหลายค่า เช่นในโจทย์ของเรา ที่ต้องการจำแนกดอก Iris ออกเป็น 3 สายพันธุ์ล่ะ เราเรียกปัญหาแบบนี้ว่า Multiclass classification

Logistic Regression สามารถให้คำตอบปัญหา Multiclass classification โดยการแก้ไขรายละเอียดของกลไกเล็กน้อย ซึ่งจบลงที่การใช้ Softmax function ตอน Output โดยมีหลักการและขั้นตอนดังนี้:

1) คำนวนหาผลลัพธ์ Linear function z ของแต่ละ Class k:

เช่นกรณีของเรา มี k = 3 เราจะได้ , , และ ของข้อมูลแต่ละรายการ

2) นำ ไปประกอบกันใน Softmax function แทน Logistic function เดิม ดังนี้:

• คือความเป็นไปได้ที่รายการนี้จะอยู่ใน Class k
• เป็นค่าความเป็นไปได้ที่รายการนี้จะอยู่ใน Class k โดยเทียบกับคะแนน Linear function ของแต่ละ Class ของรายการนั้น

โดย Softmax จะเลือกพยากรณ์ Class ที่ได้คะแนนความเป็นไปได้สูงที่สุด

ถ้าอ่านแล้วงง ลองโค้ด Softmax function ใน Python ดู:

z = [1, 2, 3]
p = np.exp(z)/np.sum(np.exp(z))

เมื่อเรียก p จะได้ผลว่า array([0.09003057, 0.24472847, 0.66524096]) แปลว่าถ้า Linear function z ของ Class แรก ให้ผลเท่ากับ 1 ความเป็นไปได้ของ Class นี้จะเท่ากับ 9% เมื่อเทียบกับ Class ที่สอง (2 –> 24.47%) และ Class ที่สาม (3 –> 66.52%) ดังนั้น Softmax function จะเลือก Class 3 เป็นคำตอบ

3) Algorithm จะนำ ไปคำนวนใน Cost function ที่ดัดแปลงจากเดิมเล็กน้อย เรียกว่า Cross entropy cost function เพื่อหา Global minimum ที่จะทำให้ความต่างของค่าที่พยากรณ์กับค่าจริงมีน้อยที่สุด:

• คือค่าจริงที่รายการที่ i จะอยู่ใน Class k ซึ่งจะมีค่า 1 หรือ 0

4) หาอนุพันธ์ในกระบวนการ Gradient descent โดยใช้สูตรเดิม:

อนึ่ง ฟังก์ชัน LogisticRegression ใน scikit-learn จะเลือกใช้ Softmax function โดยอัตโนมัติอยู่แล้ว โดยดูจากข้อมูล Label y ของเรา ซึ่งสะดวกมาก ไม่ต้องทำอะไรเพิ่มแล้ว แค่เรียกฟังก์ชัน

Modelling

ตอนนี้เราก็พร้อมแล้วในการสร้างโมเดล โดยเรียก Class LogisticRegression และพ่วง Method .fit เพื่อสร้างเทรนโมเดลไปเลย

# Train the model
logreg = LogisticRegression(max_iter=200, random_state=42).fit(X_train, y_train)

จะเห็นว่า Class LogisticRegression มี Argument max-iter อยู่ด้วย Argument นี้ทำหน้าที่ควบคุม Hyperparameter ของโมเดล โดยเราสามารถกำหนดว่าจะให้ Algorithm (เรียกใน scikit-learn ว่า “Solver”) ทำงานกี่รอบ ในลักษณะเดียวกับที่ Gradient descent อับเดต Parameter ซ้ำไปเรื่อยๆ เพื่อให้ Cost function ลดลงทุกๆ รอบ

อันที่จริง แต่ละโมเดลจะมี Argument แบบนี้มากมาย เช่น LogisticRegression มี Argument ดังนี้ (ดูจากเอกสารอ้างอิงของ scikit-learn):

class sklearn.linear_model.LogisticRegression(penalty=’l2′, dual=False, tol=0.0001, C=1.0, fit_intercept=True, intercept_scaling=1, class_weight=None, random_state=None, solver=’lbfgs’, max_iter=100, multi_class=’auto’, verbose=0, warm_start=False, n_jobs=None, l1_ratio=None)

เราจะพูดถึง Hyperparameter เหล่านี้ในหัวข้อถัดไป ในขั้นนี้เพียงแค่ให้รู้ก่อนว่าเราสามารถกำหนดค่าต่างๆ เพื่อปรับแต่งโมเดลของเราได้ในที่นี้

Evaluate

เมื่อเทรนโมเดลแล้ว เราก็มีประเมินความแม่นยำกัน:

# Evaluate the model's accuracy
print("Train set accuracy = " + str(logreg.score(X_train, y_train)))
print("Test set accuracy = " + str(logreg.score(X_test, y_test)))

ได้ผลว่า:

Train set accuracy = 0.9642857142857143
Test set accuracy = 1.0

นั่นคือเมื่อเทรนกับ Train set ได้ความแม่นยำ 96.42% ส่วนเมื่อนำมาทดสอบกับ Test set ได้ความแม่นยำถึง 100% ทีเดียว

สำหรับวิธีการคำนวนความแม่นยำของ Logistic regression สูตรนั้นง่ายมาก คือคำนวนว่าสัดส่วนระหว่าง ที่ให้ค่าตรงกับ ที่แท้จริงนั้น เป็นเท่าไหร่

Predict

มาลองดูกันว่าเวลาเราต้องการพยากรณ์จริงๆ นั้นทำอย่างไร สมมุติว่าเราไปเจอดอก Iris ที่อยากรู้ว่าเป็นสายพันธุ์ไหน เราจึงไปวัด Feature ทั้ง 4 มา ได้ว่า:

• sepal length 6 cm
• sepal width 2.5 cm
• petal length 4 cm
• petal width 1.5 cm

เราจะต้องใส่ข้อมูลนี้ลงไปในให้โมเดลพยากรณ์ โดยทำข้อมูลให้อยู่ในรูปแบบและมิติเดียวกันกับ X ที่เอาไว้เทรน ซึ่งถ้าจำได้ เราเคยหามิติของ X ไว้ ได้ดังนี้:

X_shape shape is: (150, 4)

คือเป็น Array ขนาด 150 แถว 4 คอลัมน์ โดยแต่ละแถวคือ 1 รายการ ดังนั้น X ใหม่ของเรา ตั้งชื่อว่า X_new จีงจะต้องเป็น Array มิติ (1, 4) ซึ่งเขียนใน Python ได้ว่า np.array([[6, 2.5, 4, 1.5]]):

# Make a prediction
X_new = np.array([[6, 2.5, 4, 1.5]])
y_pred = logreg.predict(X_new)
y_pred_prob = logreg.predict_proba(X_new)
print("Prediction:", y_pred, "with the probability array:", y_pred_prob)
print("Predicted target name:", iris["target_names"][y_pred])

ได้คำตอบคือ:

Prediction: [1] with the probability array: [[0.01372466 0.91809317 0.06818217]]
Predicted target name: ['versicolor']

นั่นคือโมเดลได้พยากรณ์ว่าดอก Iris ดอกนี้ เป็นสายพันธุ์ Versicolor โดยมีความมั่นใจ 91.8% อย่างไรก็ตามก็มีความเป็นไปได้ที่จะเป็นสายพันธุ์ Setosa 1.37% และ Virginica 6.81%

ถ้าดูโค้ดแล้วงง ลองพิจารณารายละเอียดดังนี้:

• Method .predict_proba หมายว่าว่า ให้พยากรณ์โดย Output ออกเป็น Array ของความเป็นไปได้
• ทำไม iris["target_names"][y_pred] จึงให้ผลออกมาเป็นชื่อสายพันธุ์ได้ ถ้าจำได้ตอนต้น เรารู้ว่าชุดข้อมูลนี้ได้เตรียม Dictionary key ที่ชื่อ target_names ไว้ให้ โดยมีค่าว่า ['setosa' 'versicolor' 'virginica'] คำสั่งนี้คือการเรียกค่าของ Key target_names ลำดับที่ [y_pred] ซึ่งในที่นี้คือ [1] นั่นเอง

สรุป

เป็นอันว่าเราสร้างโมเดล Logistic regression เพื่อพยากรณ์ปัญหา Multiclass classification สำเร็จ

ในบทต่อไปจะเจาะลึกรายละเอียดเกี่ยวกับการเตรียมข้อมูล โดยเฉพาะข้อมูลที่เป็นข้อความหรือหมวดหมู่ ซึ่งเราต้องแปลงให้เป็นตัวเลขเสียก่อน

หน้าแรก | บทที่ 3 Linear Regression Programming | บทที่ 5 Categorial Encoding

This work is licensed under a Creative Commons Attribution 4.0 International License.

คำขึ้นต้น

Formal email ใช้ Dear name, To name,

Informal email ใช้ Hi name, Helo name,

Email โดยปกติมักเขียนปนกันระหว่างการเขียนอย่างเป็นทางการ( Formal )ที่มักใช้จดหมาย และไม่เป็นทางการ (Informal) Email ส่วนใหญ่จะเป็นการเขียนที่อยู่ในรูปแบบกลางๆ(Neutral) หรือไม่เป็นทางการ (Informal) แต่ทั้งนี้ต้องพิจารณาให้เหมาะสมกับผู้รับด้วยว่าเป็นใคร ถ้าเป็นระดับผู้ใหญ่ เนื้อหาที่เขียน ก็ต้องเป็นทางการ

โครงสร้างของการเขียน Email ประกอบด้วย

1.ชื่อเรื่อง ( Subject)

2.คำทักทาย /ชื่อผู้ที่เขียนถึง (Name)

3.เนื้อหา

4.สรุปก่อนจบ (Final comment)

5.การลงท้าย (Close)

6.ลงชื่อผู้ส่ง

1.ชื่อเรื่อง( Subject)

หลักในการเขียน ถ้าเป็น Subject ใหม่ – ตั้งเป็นวลี หรือ ประโยคสั้นๆ เกี่ยวข้องกับเนื้อหาที่เรา
ต้องการสื่อ เช่น

– Request for …

– Meeting on date …

– Seminar on ….

– Dinner Talk by Mr. P. Brown

– Good to Learn

Subject กรณีตอบเรื่องที่เขาเขียนมา

– Re : ชื่อเรื่องเดิม

2. คำทักทาย

Formal หรือ เป็นกลางๆ : มักขึ้นต้นคล้ายเรียน ใช้ Dear ตามด้วย Mr.,Mrs.,Ms +ชื่อคน เช่น Dear Mr. Sun , Dear K.Naree ถ้าไม่รู้จักชื่อใช้ Dear Sir /Madam, ถ้าส่งถึงหลายคนพร้อมกัน ก็ใช้ Dear All, Dear Colleague, Informal : คล้ายกล่าวสวัสดี ใช้ Hi / Hello ต่อด้วยชื่อหรือไม่ก็ได้ หรือใช้ Dearต่อด้วยชื่อก็ได้ เช่น Dear Mary, หรือจะใส่ชื่อไปเฉยๆเลยก็ได้ เช่น Mary,

กรณี คนไทย มักนิยมใช้คำนำหน้าชื่อว่า

– คุณ ใช้คำนำหน้าชื่อหรือตัวย่อว่า Khun , K. เช่น Khun Malee,

– พี่ ใช้คำนำหน้าชื่อหรือตัวย่อว่า Pi ,P., P’, P` เช่น P’Ming,

– น้อง ใช้คำนำหน้าชื่อหรือตัวย่อว่า Nong , N.,N’, N` เช่น N’Tong

3. เนื้อหา

• การเขียนครั้งแรกควรมีการแนะนำตัวเอง ถ้าอีกฝ่ายยังไม่รู้จักเรา

• การอ้างเหตุผลที่ที่เขียนมา เช่น

– I am writing in connection with ….

– I am writing with regard to …..

– I’m writing about ….

– Your name was given to me by …

– I got your name from ..

– We would like to point out that ..

– Please note that ….

• การอ้างถึงเรื่องที่เขาเขียนมา เช่น

– Please refer to your email regarding +ชื่อเรื่อง

– Regarding หรือ Concerning (เกี่ยวกับ) + ชื่อเรื่อง

– Thank you for your email of….

– Re your email …….

– I apologize for not getting in contact with you before now. -กรณีตอบช้า

– Sorry for late reply – กรณีตอบช้า

• การแนบเรื่อง/ส่งfile (Attachment)

เช่น

-Please find the attachment.

-Please find the attachment herewith.- ความหมายคล้าย “ตามเรื่อง/เอกสาร แนบพร้อมนี้”

-I am pleased to attach herewith the annual report for….

-Please kindly find out attached file of…..

-Please find attached report.

-Please see attached file.

-I’ve attached….

-I’m sending you …. as a pdf file.

-Here is the …. you wanted.

-See attached.

• การขอข้อมูล (Asking for information) เช่น

– Could you give me some information about…

– I would like to know …

– I’d be grateful if you could …

– Could you please send me…

– Could you please hand/ forward me…

– Please send me ….

– I’d appreciate your help on this.

• การให้/แจ้งข้อมูล

เช่น

– I’m writing to let you know that ….

– I would like to inform you that …

– Just a note to say …

– Please be informed that ….

-I am delighted to tell you that ….

-We regret to inform you that …-กรณีบอกข่าวไม่ดี/ปฏิเสธ

4.สรุปก่อนจบ (Final comment)

– I am looking forward to seeing you in the near future.

– I will prepare it accordingly.-กรณีบอกว่าจะเตรียมการตามที่เขาขอหรือที่สัญญากันไว้

– Thank you for your cooperation.

-Thank you for your kind assistance.

– Thank you for your help.

– Please do not hesitate to contact us again if you require any further information.

– Please feel free to contact me.

-Talk to you soon.

– I’ve got to end it now.

– I have to go.

– Got to go now.

– Keep in touch.

– Have a nice weekend.

– See you later.

– See you soon.

– Bye for now.



5.การลงท้าย (Close)

– Regards,

– Best regards,

– With best regards,

– With kind regards,

– Warm regards,

– Warmest regards,

– Thanks and Regards,

– Yours sincerely,

– With love,

– All the best,

– Bye,

– Ta ra, (หมายถึง Bye Bye – คนอังกฤษใช้)

6.การลงชื่อ

ลงชื่อมี/ไม่มีนามสกุล

ถ้าเป็นทางการ และต้องการให้เขาทราบรายละเอียดเกี่ยวกับตัวเรา จะใส่ชื่อ ตำแหน่ง ที่อยู่ โดยพิมพ์ชิดด้านซ้ายท้ายการลงชื่อ

คำย่อที่นิยมใช้

ASAP = As Soon as Possible

AAMOF = As a Matter of Fact

BBL = Be Back Later

B4 = Before

CU = See You

EZ = Easy

2U2 = To You Too

GF = Girl friend

BF = Boy friend

P.S. = Post script

LTNS = Long Time no See

JIC = Just in case

Thks & Rgrds = Thanks and Regards

asap = as soon as possible

cc = carbon copy (when you send a copy of a letter to more than one person, you use this abbreviation to let them know)

enc. = enclosure (when you include other papers with your letter)

pp = per procurationem (A Latin phrase meaning that you are signing the letter on somebody else’s behalf; if they are not there to sign it themselves, etc)

ps = postscript (when you want to add something after you’ve finished and signed it)

pto (informal) = please turn over (to make sure that the other person knows the letter continues on the other side of the page)

RSVP = please reply

คำศัพท์ เกี่ยวกับอีเมล์

Archive
คำสั่งหรือที่อยู่สำหรับการเก็บสำรองข้อมูล (Backup)

Attached File
การส่งไฟล์แนบไปกับอีเมล

Inbox
ที่อยู่ที่เก็บเมลที่มีคนอื่นส่งเข้ามา

BCC: Blind Carbon Copy
หมายถึงการส่งสำเนาเมลของเรา ไปให้บุคคลอื่นๆ ด้วย โดยคนที่ได้รับเมลอื่นๆ จะไม่ทราบ

CC: Carboy Copy
หมายถึงการส่งสำเนาเมลของเรา ไปให้บุคคลอื่นๆ ด้วย

Compose
การเรียกใช้คำสั่งในการสร้างเมลเพื่อการจัดส่ง มีความหมายเดียวกับ New Mail

Deleted Items
ที่อยู่ที่เก็บเมลที่ถูกลบไว้ สามารถกู้เมลกลับคืนได้จากโฟลเดอร์นี้

Draft
ทีอยู่ที่เก็บเมลที่เรากำลังเขียน หรืออาจเขียนยังไม่เสร็จ

Email Account / Email Address
หมายถึงชื่อที่อยู่อีเมลของเรา ตัวอย่างเช่น [email protected] เป็นต้น เพื่อเป็นการระบุตัวตนของเรา

Forward
การส่งเมลที่ได้รับจากคนหนึ่ง ไปยังอีกคนหนึ่ง

Outlook Express
โปรแกรมสำหรับรับส่งเมลในเครื่องคอมพิวเตอร์ของเรา โปรแกรมนี้จะมาพร้อมกับ Windows สำหรับเวอร์ชั่นใหม่ ได้ถูกเปลี่ยนเป็น Microsoft Mail แทน

Microsoft Outlook ก็เป็นอีกหนึ่งโปรแกรมสำหรับรับส่งเมล จาก Microsoft แต่เป็นเวอร์ชั่นที่สูงกว่า Outlook Exress, Microsoft Mail และเป็นโปรแกรมที่ต้องซื้อเพิ่มเติมด้วย

POP3: Post Office Protocol version 3
มาตราฐานอย่างหนึ่งในการรับส่งเมล์

Reply All
การตอบกลับเมลที่ได้รับ ไปยังทุกๆ คนที่มีรายชื่ออีเมลในเมลฉบับนั้น ทั้งในช่อง To และ ช่อง CC (ส่วนบนของในเมลที่เราเขียนขึ้นมา)

Reply
การตอบกลับเมลที่ได้รับ ไปยังผู้ส่งถึงเราเท่านั้น

New Mail
การเขียนเมล์ฉบับใหม่ มีความหมายเดียวกับ Compose

Out of Office
คำสั่งในการกำหนดรายละเอียดว่า เราไม่ได้อยู่ในสำนักงาน เวลามีใครส่งเมลถึงเรา จะได้รับตอบกลับเมลแบบอัตโนมัติ

Outbox
ที่อยู่ที่เก็บเมลที่เรากำลังส่งออกไป (กำลังส่ง)

Send/Receive
คำสั่งในการส่งเมลออก และตรวจสอบเมล์ใหม่เข้ามาในขณะเดียวกัน

Send items
ที่อยู่ที่เก็บเมลที่เราได้จัดส่งออกไปแล้ว

Web Mail
หมายถึงการเช็คอีเมลผ่านทางเว็บไซต์โดยตรง

ใช้ประกอบการจบท้าย กรณีเขียนไม่เป็นทางการ

^_^ หรือ : ) หมายถึง ยิ้ม

> <” หรือ : ( หมายถึง เสียใจ

ตัวอย่าง
Subject : Meeting on Monday.

Dear All,

Pleased be informed that we will have a monthly meeting on Monday, September 17th, from 02:00-04:00 p.m. at Conference room. The subject discussed will be about our new organizational structure.

Please make yourself available to attend the meeting.

Regards,

Andre.

ตัวอย่างการใช้อีเมลล์ในการทำงานในบริษัท

เรายังมีตัวอย่างในการส่งและรับ หรือ การตอบโต้กันระหว่างบุคคล 2 คน ในงาน

นี่คือเหตุการณ์ของ 2 บริษัทซึ่งกำลังทำธุรกิจร่วมกัน บริษัทหนึ่งเป็นลูกค้า และอีกบริษัทเป็นผู้ขายให้ ทั้งสองได้ตกลงซื้อขายและผลิตสินค้าให้แก่กัน หลังจากนั้นได้มีการติดต่อกันผ่านทางอีเมลล์เกี่ยวกับการซื้อขาย การร้องเรียน แจ้งข่าวสาร ประชุม และอื่นๆ ดังนี้

1-จดหมายยืนยันหรือย้ำเตือนความจำในการสั่งซื้อสินค้า(Reminding or comfirming letter)

Dear K.Thakkie,

Good morning K.Thakkie. How are you?

According to our last meeting on 13 May 2010, I would like to remind you one more time about our first delivery as follows;

1. Part name : Side door A/C, Quantity ordered is 3,000 pcs and

2. Part name : Bumper A/C, Quantity ordered is 3,000 pcs

All these parts name will be delivered to us on 20 May 2010.

I would like to confirm with you if this is our same understanding and we are looking forward to hearing from you.

Best regards,

Abbie Goda

Managing Director

11/63 Moo4 T.Banlamung, A.Banlamung, Chonburi

Tel : 038 234567

Fax : 038 234567

Email : [email protected]

http://www.kkt.com

2-จดหมายตอบกลับการยืนยันจากผู้ขาย(Comfirming letter)

Dear K.Abbie,

Good afternoon. How have you been?

According to your email, we have the same understanding about the order. We are preparing this and it will be delivered to you on 20 May 2010 early morning.

We are sure that the goods will be sent to you with good care.

Best regards,

Thakkie Devi

Plant manager

110 Moo4 T.Banlamung, A.Banlamung, Chonburi

Tel : 038 234534

Fax : 038 234534

Email : [email protected]

http://www.mmmt.com

3-จดหมายร้องเรียนจากลูกค้า(Complaint letter)

Dear K.Thakkie,

Thank you very much for your deliver. We recieved them on time but there is just a small problem that we would like to inform you. There are some dirty on the goods and this becomes our extra process to clean before our next process.

This is just a small problem but it is not expected to happen here so we would like you to add more process or find some ways to make sure that the products are cleen enough before packing and sending out to us.

We also want to know your action in report. It would be great if you could finish it very soon. We hope you can seek a good way to solve the problem .

Best regards,

Abbie Goda.

Managing Director

11/63 Moo4 T.Banlamung, A.Banlamung, Chonburi.

Tel : 038 234567

Fax : 038 234567

Email : [email protected]

http://www.kkt.com

4-จดหมายร้องเรียนจากลูกค้า(Complaint letter)

Dear K.Abbie,

Thank you very much for your email. And we would like to say sorry and apologise for our mistake. This should not have happened and should have been rechecked before delivered.

Thank you again for your suggestion. We are having a meeting to seek the way to end this problem. We will inform you one more time soon about our action on this.

If you don’t mind, we can send some of our people to help you sort out and clean the goods. If you are ok with this, we will go to your place today afternoon.
I have to say so sorry about this one more time.

Best regards,

Thakkie Devi

Plant manager

110 Moo4 T.Banlamung, A.Banlamung, Chonburi

Tel : 038 234534

Fax : 038 234534

Email : [email protected]

http://www.mmmt.com

ประโยคขึ้นต้น ที่ใช้อ้างถึงอะไรสักอย่างเพื่อจะทวนความจำ หรือทำให้ผู้รับรู้ว่าเรากำลังจะพูดถึงอะไรต่อไป

Formal email ใช้

With reference to + noun, …

With regards to + noun, …

Regarding + noun, …

I’m writing with regard to + noun เช่น I’m writing with regard to your recent email.

Further to + noun, …

Thank you for + noun … เช่น Thank you for email of 2 November.

As per your request, … เช่น As per your request, I’ve attached a copy of the agenda.

Informal email ใช้

Re + noun, … เช่น Re your email, …

In reply to + noun, … เช่น In reply to your email, …

Thanks for + noun. เช่น Thanks for your email.

(It was) Nice to hear from you yesterday. …

As requested, … เช่น As requested, here is my monthly status report.

Request

I’d appreciated it if + sentence

เช่น

I’d appreciated it if you could join us in the meeting on Tuesday. เป็น indirect sentence ที่ทำให้นุ่นนวลขึ้น แต่ก็จะทำให้ฟังห่างเหินขึ้นด้วย

Do you think you could (possible) + verb

เช่น

Do you think you could help me work out how to fix this bug? (indirect)

Would it be possible to + verb

เช่น

Would it be possible to extend the deadline until next Friday?

Could you (please) + verb

เช่น

Could you meet with everyone for a meeting on Tuesday? (สำหรับ routine request คือ คำขออันที่เป็นหน้าที่รับผิดชอบของเค้า หรือเป็นคำขอปกติ ควรละ please ไว้ เนื่องจากไม่ควรใช้ flowery language มากเกินไป ซึ่งจะทำให้เข้าใจผิดว่าเป็นการประชดประชันได้)

Would you mind + Ving

เช่น

Would you mind sending me another copy of the agenda?

Please + verb

Attachment

Please find attached my report (ระวัง attached ก็เป็นช่อง 3)

I have attached sth. for your perusal.

I have attached sth.

Thank you

I really appreciate + noun เช่น I really appreciate your help.

I appreciate + noun เช่น I appreciate your help on this.

Thank you for + noun เ่ช่น Thank you for your assistance in this matter. หรือ Thank you for your help.

Thank you.

Thanks.

Diplomatic สำหรับกรณีที่มีความผิดพลาด ไม่ว่าจะเป็นของเรา หรือของเค้า ก็ควรเขียนอย่างสุภาพ คือเราจะไม่บอกตรงๆ นะเอง

I’m afraid + sentence

เช่น

I’m afraid that we haven’t received the payment yet. หรือ I’m afraid there will be a small delay.

It seems + sentence

เช่น

It seems we have a slight problem. (แปลว่า เรามี problem นะเอง)

I think + sentence

เช่น

I think there may be an issue here. (แปลว่า เราไม่เห็นด้วย)

To be honest, I’m not sure + sentence

เช่น

To be honest, I’m not sure we can do that (แปลว่า เราไม่สามารถทำแบบนั้น อาจจะเราทำไม่ได้ หรือเราไม่ทำ ก็ได้)

Perhaps we should think about + Ving – ออกแนวชักชวน ของแนวร่วม

เช่น

Perhaps we should think about cancelling the project. (แปลว่า อยากจะ cancel แหละ แต่บอกว่า ลองคิดดูมั้ย สำหรับ cancel นี้ประหลาดค่ะ สำหรับ British ใช้ cancelling เป็น ll แต่ American ใช้ canceling ก็นะ อยู่ที่เราจะใช้ตามหลักของอะไร)

Wouldn’t it be better to + verb

เช่น

Wouldn’t it be better to ask Paul. (แปลว่า ไปถาม Paul ซะ ไป๊)

Unfortunately, + sentence – ออกแนวโทษโชคชะตา ซะงั้น ไม่มีใครผิดหรอก

I apologize for + noun

เช่น

I apologize for any inconvenience caused. อันนี้ขอโทษกันตรงๆ (อย่าลืมว่า caused ข้างหลังเป็นช่อง 3 นะค่ะ)

หรือ ตัวอย่างประโยคอื่นๆ เช่น

Actually, that doesn’t give us much time (แปลว่า เรามีเวลานิดเดียวเอง จริงๆ นะ)

That might be quite expensive. (แปลว่า That’s very expensive แต่บอกอ้อมๆ ว่า น่าจะแพงทีเดียวนะ — ตอแหลจริงๆ)

For future contact

I look forward to + Ving เช่น I look forward to receiving your reply.

Look forward to + Ving เช่น Look forward to seeing you next week.

I’m looking forward to + Ving

เช่น

I’m looking forward to seeing you in the meeting สำหรับการใช้ looking แทน look เป็นการแสดงว่ากำลัีงใจจดใจจ่อ รอจะพบคุณอยู่นะ มันเห็นภาพมากกว่า look เฉยๆ

Looking forward to + Ving เช่น Looking forward to hearing from you.

I hope to + verb เช่น I hope to hear from you soon.

Hope to + verb เช่น Hope to see you then. (informal)

See you then. (informal)

If you would like any additional information, please do not hesitate to contact me.

If you have any questions/queries, please feel free to contact me.

If you have any questions/queries, please feel free to let me know. (informal)

Let me you if you require any further information.

คำลงท้าย

Sincerely yours,

Best regards,

Regards,

Cheers, (informal)

ขอบคุณที่มา : http://english-madmonster.blogspot.com/2009/08/email-pattern.html

                  : http://www.lang-koff.com/Email_writing.htm

Formal email ใช้ Dear name, To name,Informal email ใช้ Hi name, Helo name,Email โดยปกติมักเขียนปนกันระหว่างการเขียนอย่างเป็นทางการ( Formal )ที่มักใช้จดหมาย และไม่เป็นทางการ (Informal) Email ส่วนใหญ่จะเป็นการเขียนที่อยู่ในรูปแบบกลางๆ(Neutral) หรือไม่เป็นทางการ (Informal) แต่ทั้งนี้ต้องพิจารณาให้เหมาะสมกับผู้รับด้วยว่าเป็นใคร ถ้าเป็นระดับผู้ใหญ่ เนื้อหาที่เขียน ก็ต้องเป็นทางการ1.ชื่อเรื่อง ( Subject)2.คำทักทาย /ชื่อผู้ที่เขียนถึง (Name)3.เนื้อหา4.สรุปก่อนจบ (Final comment)5.การลงท้าย (Close)6.ลงชื่อผู้ส่งหลักในการเขียน ถ้าเป็น Subject ใหม่ – ตั้งเป็นวลี หรือ ประโยคสั้นๆ เกี่ยวข้องกับเนื้อหาที่เรา ต้องการสื่อ เช่น- Request for …- Meeting on date …- Seminar on ….- Dinner Talk by Mr. P. Brown- Good to LearnSubject กรณีตอบเรื่องที่เขาเขียนมา- Re : ชื่อเรื่องเดิมFormal หรือ เป็นกลางๆ : มักขึ้นต้นคล้ายเรียน ใช้ Dear ตามด้วย Mr.,Mrs.,Ms +ชื่อคน เช่น Dear Mr. Sun , Dear K.Naree ถ้าไม่รู้จักชื่อใช้ Dear Sir /Madam, ถ้าส่งถึงหลายคนพร้อมกัน ก็ใช้ Dear All, Dear Colleague, Informal : คล้ายกล่าวสวัสดี ใช้ Hi / Hello ต่อด้วยชื่อหรือไม่ก็ได้ หรือใช้ Dearต่อด้วยชื่อก็ได้ เช่น Dear Mary, หรือจะใส่ชื่อไปเฉยๆเลยก็ได้ เช่น Mary,กรณี คนไทย มักนิยมใช้คำนำหน้าชื่อว่า- คุณ ใช้คำนำหน้าชื่อหรือตัวย่อว่า Khun , K. เช่น Khun Malee,- พี่ ใช้คำนำหน้าชื่อหรือตัวย่อว่า Pi ,P., P’, P` เช่น P’Ming,- น้อง ใช้คำนำหน้าชื่อหรือตัวย่อว่า Nong , N.,N’, N` เช่น N’Tong• การเขียนครั้งแรกควรมีการแนะนำตัวเอง ถ้าอีกฝ่ายยังไม่รู้จักเรา• การอ้างเหตุผลที่ที่เขียนมา เช่น- I am writing in connection with ….- I am writing with regard to …..- I’m writing about ….- Your name was given to me by …- I got your name from ..- We would like to point out that ..- Please note that ….• การอ้างถึงเรื่องที่เขาเขียนมา เช่น- Please refer to your email regarding +ชื่อเรื่อง- Regarding หรือ Concerning (เกี่ยวกับ) + ชื่อเรื่อง- Thank you for your email of….- Re your email …….- I apologize for not getting in contact with you before now. -กรณีตอบช้า- Sorry for late reply – กรณีตอบช้า• การแนบเรื่อง/ส่งfile (Attachment)เช่น-Please find the attachment.-Please find the attachment herewith.- ความหมายคล้าย “ตามเรื่อง/เอกสาร แนบพร้อมนี้”-I am pleased to attach herewith the annual report for….-Please kindly find out attached file of…..-Please find attached report.-Please see attached file.-I’ve attached….-I’m sending you …. as a pdf file.-Here is the …. you wanted.-See attached.• การขอข้อมูล (Asking for information) เช่น- Could you give me some information about…- I would like to know …- I’d be grateful if you could …- Could you please send me…- Could you please hand/ forward me…- Please send me ….- I’d appreciate your help on this.• การให้/แจ้งข้อมูลเช่น- I’m writing to let you know that ….- I would like to inform you that …- Just a note to say …- Please be informed that ….-I am delighted to tell you that ….-We regret to inform you that …-กรณีบอกข่าวไม่ดี/ปฏิเสธ- I am looking forward to seeing you in the near future.- I will prepare it accordingly.-กรณีบอกว่าจะเตรียมการตามที่เขาขอหรือที่สัญญากันไว้- Thank you for your cooperation.-Thank you for your kind assistance.- Thank you for your help.- Please do not hesitate to contact us again if you require any further information.- Please feel free to contact me.-Talk to you soon.- I’ve got to end it now.- I have to go.- Got to go now.- Keep in touch.- Have a nice weekend.- See you later.- See you soon.- Bye for now.- Regards,- Best regards,- With best regards,- With kind regards,- Warm regards,- Warmest regards,- Thanks and Regards,- Yours sincerely,- With love,- All the best,- Bye,- Ta ra, (หมายถึง Bye Bye – คนอังกฤษใช้)ลงชื่อมี/ไม่มีนามสกุลถ้าเป็นทางการ และต้องการให้เขาทราบรายละเอียดเกี่ยวกับตัวเรา จะใส่ชื่อ ตำแหน่ง ที่อยู่ โดยพิมพ์ชิดด้านซ้ายท้ายการลงชื่อ คำย่อที่นิยมใช้ASAP = As Soon as PossibleAAMOF = As a Matter of FactBBL = Be Back LaterB4 = BeforeCU = See YouEZ = Easy2U2 = To You TooGF = Girl friendBF = Boy friendP.S. = Post scriptLTNS = Long Time no SeeJIC = Just in caseThks & Rgrds = Thanks and Regardsasap = as soon as possiblecc = carbon copy (when you send a copy of a letter to more than one person, you use this abbreviation to let them know)enc. = enclosure (when you include other papers with your letter)pp = per procurationem (A Latin phrase meaning that you are signing the letter on somebody else’s behalf; if they are not there to sign it themselves, etc)ps = postscript (when you want to add something after you’ve finished and signed it)pto (informal) = please turn over (to make sure that the other person knows the letter continues on the other side of the page)RSVP = please replyArchive คำสั่งหรือที่อยู่สำหรับการเก็บสำรองข้อมูล (Backup)Attached File การส่งไฟล์แนบไปกับอีเมลInbox ที่อยู่ที่เก็บเมลที่มีคนอื่นส่งเข้ามาBCC: Blind Carbon Copy หมายถึงการส่งสำเนาเมลของเรา ไปให้บุคคลอื่นๆ ด้วย โดยคนที่ได้รับเมลอื่นๆ จะไม่ทราบCC: Carboy Copy หมายถึงการส่งสำเนาเมลของเรา ไปให้บุคคลอื่นๆ ด้วยCompose การเรียกใช้คำสั่งในการสร้างเมลเพื่อการจัดส่ง มีความหมายเดียวกับ New MailDeleted Items ที่อยู่ที่เก็บเมลที่ถูกลบไว้ สามารถกู้เมลกลับคืนได้จากโฟลเดอร์นี้Draft ทีอยู่ที่เก็บเมลที่เรากำลังเขียน หรืออาจเขียนยังไม่เสร็จEmail Account / Email Address หมายถึงชื่อที่อยู่อีเมลของเรา ตัวอย่างเช่น [email protected] เป็นต้น เพื่อเป็นการระบุตัวตนของเราForward การส่งเมลที่ได้รับจากคนหนึ่ง ไปยังอีกคนหนึ่งOutlook Express โปรแกรมสำหรับรับส่งเมลในเครื่องคอมพิวเตอร์ของเรา โปรแกรมนี้จะมาพร้อมกับ Windows สำหรับเวอร์ชั่นใหม่ ได้ถูกเปลี่ยนเป็น Microsoft Mail แทนMicrosoft Outlook ก็เป็นอีกหนึ่งโปรแกรมสำหรับรับส่งเมล จาก Microsoft แต่เป็นเวอร์ชั่นที่สูงกว่า Outlook Exress, Microsoft Mail และเป็นโปรแกรมที่ต้องซื้อเพิ่มเติมด้วยPOP3: Post Office Protocol version 3 มาตราฐานอย่างหนึ่งในการรับส่งเมล์Reply All การตอบกลับเมลที่ได้รับ ไปยังทุกๆ คนที่มีรายชื่ออีเมลในเมลฉบับนั้น ทั้งในช่อง To และ ช่อง CC (ส่วนบนของในเมลที่เราเขียนขึ้นมา)Reply การตอบกลับเมลที่ได้รับ ไปยังผู้ส่งถึงเราเท่านั้นNew Mail การเขียนเมล์ฉบับใหม่ มีความหมายเดียวกับ ComposeOut of Office คำสั่งในการกำหนดรายละเอียดว่า เราไม่ได้อยู่ในสำนักงาน เวลามีใครส่งเมลถึงเรา จะได้รับตอบกลับเมลแบบอัตโนมัติOutbox ที่อยู่ที่เก็บเมลที่เรากำลังส่งออกไป (กำลังส่ง)Send/Receive คำสั่งในการส่งเมลออก และตรวจสอบเมล์ใหม่เข้ามาในขณะเดียวกันSend items ที่อยู่ที่เก็บเมลที่เราได้จัดส่งออกไปแล้วWeb Mail หมายถึงการเช็คอีเมลผ่านทางเว็บไซต์โดยตรงใช้ประกอบการจบท้าย กรณีเขียนไม่เป็นทางการ^_^ หรือ : ) หมายถึง ยิ้ม>