การเปรียบเทียบประสิทธิภาพในการทำนายผลการเป็นโรคเบาหวาน
Article Sidebar
Main Article Content
บทคัดย่อ
บทคัดย่อ
การศึกษานี้เป็นการเปรียบเทียบประสิทธิภาพในการทำนายผลการเป็นโรคเบาหวานของโรงพยาบาลแห่งหนึ่ง วิธีการจำแนกกลุ่มที่นำมาเปรียบเทียบ คือ วิธีความใกล้เคียงกันมากที่สุดโดยใช้อัลกอริทึมชนิด IBk วิธีต้นไม้ตัดสินใจโดยใช้อัลกอริทึมชนิด J48 วิธีโครงข่ายประสาทเทียมโดยใช้อัลกอริทึมชนิดเพอร์เซปตรอนแบบหลายชั้น วิธีซัพพอร์ตเวกเตอร์แมชชีนโดยใช้อัลกอริทึม SMO ชนิดโพลิโนเมียลเคอร์เนล วิธีการถดถอยโลจิสติกแบบ 2 กลุ่ม และวิธีนาอีฟเบย์ ในการเปรียบเทียบประสิทธิภาพในการทำนายผลของวิธีการจำแนกกลุ่มทั้ง 6 วิธี จะใช้ค่าความถูกต้อง ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย (MAE) และค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) ผลการศึกษาพบว่าวิธีโครงข่ายประสาทเทียมมีค่าความถูกต้อง ค่าความคลาดเคลื่อนสัมบูรณ์เฉลี่ย และค่าความคลาดเคลื่อนกำลังสองเฉลี่ยดีที่สุด คือ 95.94 %, 0.0491 และ 0.0396 ตามลำดับ ดังนั้นวิธีโครงข่ายประสาทเทียมมีประสิทธิภาพในการทำนายผลดีที่สุด
คำสำคัญ : วิธีความใกล้เคียงกันมากที่สุด; วิธีต้นไม้ตัดสินใจ; วิธีโครงข่ายประสาทเทียม; วิธีซัพพอร์ตเวกเตอร์ แมชชีน; วิธีการถดถอยโลจิสติกแบบ 2 กลุ่ม; และวิธีนาอีฟเบย์
Article Details
เอกสารอ้างอิง
[2] นุชรี อาบสุวรรณ และนิตยา พันธุเวทย์, 2558, ประเด็นสารรณรงค์วันเบาหวานโลก, สำนักโรคไม่ติดต่อ กรมควบคุมโรค กระทรวงสาธารณสุข, กรุงเทพฯ.
[3] อมรา ทองหงษ์, 2555, โรคเบาหวาน, สรุปรายงานการเฝ้าระวังโรค, สำนักระบาดวิทยา กรมควบคุมโรค กระทรวงสาธารณสุข, กรุงเทพฯ.
[4] พยูน พาณิชย์กุล, 2548, การพัฒนาระบบดาต้าไมน์นิ่งโดยใช้ Decision Tree : โครงการพัฒนาระบบงาน, วิทยานิพนธ์ปริญญาโท, สถาบันเทค โนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง, กรุงเทพฯ.
[5] Wu, X. and Kumar, V., 2009, The Top Ten Algorithms in Data Mining, University of Minnesota Department of Computer Science and Engineering, CRC Press, Minneapolis, Boca Raton. 215 p.
[6] รุจิรา ธรรมสมบัติ, 2554, ระบบสนับสนุนการตัดสินใจในการเลือกใช้แพคเกจอินเทอร์เน็ตมือถือโดยใช้ต้นไม้ตัดสินใจ, รายงานการวิจัย, สาขาคอมพิวเตอร์ธุรกิจ คณะบริหารธุรกิจ วิทยาลัยราชพฤกษ์, 68 น.
[7] Berson, A. and Smith, S.J., 1997, Data Warehousing, Data Mining, and OLAP, McGraw-Hill, New York, 612 p.
[8] ภรัณยา อำมฤครัตน์, เดช ธรรมศิริ, วาทินี นุ้ยเพียร, ภัทราวุฒิ แสงศิริ, ณรงค์ โพธิ และพยุง มีสัจ, 2553, การเปรียบเทียบประสิทธิภาพการคัดเลือกและจำแนกข้อมูลด้วยวธิีการทางเครือข่ายประสาทเทียม, น. 131-138, การประชุมวิชาการระดับชาติทางด้านคอมพิวเตอร์และเทคโนโลยีสารสนเทศ ครั้งที่ 5, วิทยาลัยนครราชสีมา, นครราชสีมา.
[9] กัลยา วานิชย์บัญชา, 2552, การวิเคราะห์ข้อมูลหลายตัวแปร, บริษัท ธรรมสาร จำกัด, กรุงเทพฯ, 589 น.
[10] Larose, D.T., 2006, Data Mining: Methods and Models, John Wiley and Sons, New Jersey, 322 p.
[11] Larose, D.T., 2005, Discovering knowledge in Data: An Introduction to Data Mining, John Wiley and Sons, Hoboken, N.J., 222 p.
[12] กิตติพล วิแสง, สิรภัทร เชี่ยวชาญวัฒนา และคํารณ สุนัติ, 2552, การวิเคราะห์ปัจจัยเสี่ยงของโรคเบาหวาน, น. 798-805, การประชุมวิชาการแห่งชาติทางด้านคอมพิวเตอร์และเทคโนโลยีสารสนเทศ ครั้งที่ 5, วิทยาลัยนครราชสีมา, นครราชสีมา.
[13] ชาญชัย พรมโคตร, ทิพวรรณ ศรีชนะ และ อัจฉรา มหาวีรวัฒน์, 2554, การวิเคราะห์ข้อมูลความเสี่ยงของการเกิดโรคหอบหืดด้วยเทคนิคโครงข่ายประสาทเทียมแบบหลายขั้นร่วมกับขั้นตอนวิธีการเรียนรู้แบบแพร่ย้อนกลับ, น. 51, การประชุมวิชาการ มอบ.วิจัย ครั้งที่ 5, มหาวิทยาลัยอุบลราชธานี, อุบลราชธานี.
[14] สุมนพิชญ์ พลศรี และอัจฉรา มหาวีรวัฒน์, 2554, การวิเคราะห์ความเสี่ยงของการเป็นวัณโรคด้วยเทคนิคโครงข่ายประสาทเทียม, น. 41, การประชุมวิชาการ มอบ.วิจัย ครั้งที่ 5, มหา วิทยาลัยอุบลราชธานี, อุบลราชธานี.
[15] Vijayarani, S. and Dhayanand, S., 2015, Kidney disease prediction using SVM and an nalogorithms, Int. J. Cybern. Inform. 4(4): 13-25.
[16] ณัฐวุฒิ ศิริกุลรุ่งโรจน์, รัฐธชัย บุญวิเศษ, สหัสนัยน์ ไพสานต์ และสุรวัชร ศรีเปารยะ, 2556, การเปรียบเทียบประสิทธิภาพการจำแนกประเภทโดยใช้วิธีความใกล้เคียงกันมากที่สุด วิธีแผนภาพต้นไม้เพื่อการตัดสินใจ วิธีโครงข่ายประสาทเทียมและวิธีซัพพอร์ตเวกเตอร์แมชชีน, ปัญหาพิเศษปริญญาตรี, สาขาวิชาสถิติ สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง, กรุงเทพฯ, 132 น.
[17] สุรวัชร ศรีเปารยะ, 2560, การเปรียบเทียบประสิทธิภาพวิธีการจำแนกกลุ่มการเป็นโรคไตเรื้อรัง : กรณีศึกษาโรงพยาบาลแห่งหนึ่งในประเทศอินเดีย, ว.วิทยาศาสตร์และเทคโนโลยี 25(5): 839-853.
