การเปรียบเทียบประสิทธิภาพในการทำนายการติดเกมของเด็กและวัยรุ่นในกรุงเทพมหานคร
Article Sidebar
Main Article Content
Abstract
Abstract
In this research to study and compare efficiency in prediction of child and adolescence game addition in Bangkok. The seven classification methods to efficiency comparison in prediction are k-nearest neighbor method by IBk algorithm, decision tree method by J48 algorithm, artificial neural network method by multilayer perceptron algorithm, support vector machine method by polynomial kernel and SMO algorithm, rule based method by decision table algorithm, binary logistic regression method and Naïve Bayes method. The data are collected by questionnaire. An efficiency comparison in prediction of seven classification methods by using the maximum of accuracy, precision, recall, F-Measure and the minimum of mean absolute error and mean square error. The result of the study efficiency comparison the classification method demonstrated that decision tree method has the maximum accuracy, recall (class = no), F-Measure (class = no), precision (class = yes) and F-Measure (class = yes), 92.17 %, 0.976, 0.948, 0923 and 0.842 respectively. In addition, support vector machine method has the maximum recall (class = no), 0.976 and the minimum MAE, 0.0870, rule based method has the maximum precision (class = no) and recall (class = yes), 0.930 and 0.806 respectively. Also binary logistic regression method has the maximum recall (class = no), 0.976 and the minimum MSE, 0.0612 but decision tree method has the best an efficiency five in nine values. Then, decision tree method has the maximum efficiency in prediction of child and adolescence game addition in Bangkok.
Keywords: k-nearest neighbor method; decision tree method; artificial neural network method; support vector machine method; rule based method; binary logistic regression method; Naïve Bayes method
Article Details
References
[2] Tuisima, S., Vachirapan, K. and Sinthupinyo, S., 2012, Classification of computer game addiction level in students in secondary education (M. 1-3) using neural network, pp. 19-23, The 2nd International Conference on Management and Artificial Intelligence IPEDR, Vol. 35 IACSIT Press, Singapore.
[3] Chou, C.H., 2013, Using Tic-Tac-Toe for learning data mining classifications and evaluations, Int. J. Inform. Edu. Technol. 3: 437-441.
[4] พยูน พาณิชย์กุล, 2548, การพัฒนาระบบดาต้าไมน์นิ่งโดยใช้ Decision Tree, โครงการพัฒนาระบบงาน, วิทยานิพนธ์ปริญญาโท, สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง, กรุงเทพฯ, 62 น.
[5] Wu, X. and Kumar, V., 2009, The Top Ten Algorithms in Data Mining, University of Minnesota Department of Computer Science and Engineering, Minneapolis, CRC Press, Boca Raton, 215 p.
[6] รุจิรา ธรรมสมบัติ, 2554, ระบบสนับสนุนการตัดสินใจในการเลือกใช้แพคเกจอินเทอร์เน็ตมือถือโดยใช้ต้นไม้ตัดสินใจ, สาขาคอมพิวเตอร์ธุรกิจ คณะบริหารธุรกิจ วิทยาลัยราชพฤกษ์, กรุงเทพฯ, 68 น.
[7] Berson, A. and Smith, S.J., 1997, Data Warehousing, Data Mining, and OLAP, McGraw-Hill, New York, 612 p.
[8] วาทินี นุ้ยเพียร, พยุง มีสัจจะ และเดช ธรรมศิริ, 2553, การเปรียบเทียบประสิทธิภาพและวิเคราะห์การจำแนกข้อมูลโดยใช้โครงข่ายประสาทเทียม ซัพพอร์ตเวกเตอร์แมชชีน นาอีฟเบย์ และเคเนียรเรสต์เนเบอร์, น. 131-138, การประชุมวิชาการระดับชาติทางด้านคอมพิวเตอร์และเทคโนโลยีสารสนเทศครั้งที่ 5, มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ, กรุงเทพฯ.
[9] Murti, S. and Mahantappa, M., 2012, Using rule based classifiers for the predictive analysis of breast cancer recurrence, J. Inform. Eng. Appl. 2(2): 12-19.
[10] กัลยา วานิชย์บัญชา, 2552, การวิเคราะห์ข้อมูลหลายตัวแปร, บริษัทธรรมสารจำกัด, กรุงเทพฯ, 589 น.
[11] Larose, D.T., 2006, Data Mining: Methods and Models, John Wiley and Sons, New Jersey, 322 p.
[12] Larose, D.T., 2005, Discovering Knowledge in Data: An Introduction to Data Mining, John Wiley and Sons, Hoboken, N.J., 222 p.
[13] ณัฐวุฒิ ศิริกุลรุ่งโรจน์, รัฐธชัย บุญวิเศษ, สหัสนัยน์ ไพสานต์ และสุรวัชร ศรีเปารยะ, 2556, การเปรียบเทียบประสิทธิภาพการจำแนกประเภทโดยใช้วิธีความใกล้เคียงกันมากที่สุด วิธีแผนภาพต้นไม้เพื่อการตัดสินใจ วิธีโครงข่ายประสาทเทียมและวิธีซัพพอร์ตเวกเตอร์แมชชีน, ปัญหาพิเศษปริญญาตรี, สาขาวิชาสถิติ สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง, กรุงเทพฯ, 132 น.
[14] สายชล สินสมบูรณ์ทอง, 2560, การเปรียบเทียบประสิทธิภาพในการทำนายผลการเป็นโรคเบาหวาน, ว.วิทยาศาสตร์และเทคโนโลยี 26(5): 839-853.
[15] สุรวัชร ศรีเปารยะ, 2559, การเปรียบเทียบประสิทธิภาพวิธีการจำแนกกลุ่มการเป็นโรคไตเรื้อรัง : กรณีศึกษาโรงพยาบาลแห่งหนึ่งในประเทศอินเดีย, ว.วิทยาศาสตร์และเทคโนโลยี 25(5): 839-853.
[16] Vijayarani, S. and Dhayanand, S., 2015, Kidney disease prediction using SVM and ANN algorithms, Int. J. Cybernet. Inform. 4(4): 13-25.