การเปรียบเทียบประสิทธิภาพในการทำนายการติดเกมของเด็กและวัยรุ่นในกรุงเทพมหานคร
Article Sidebar
Main Article Content
บทคัดย่อ
บทคัดย่อ
งานวิจัยนี้ได้ศึกษาและเปรียบเทียบประสิทธิภาพในการทำนาย การติดเกมของเด็กและวัยรุ่นในกรุงเทพมหานคร ด้วยวิธีการจำแนกกลุ่ม 7 วิธี ได้แก่ วิธีเพื่อนบ้านใกล้สุด k ตัว โดยใช้อัลกอริทึมชนิด IBk วิธีต้นไม้การตัดสินใจโดยใช้อัลกอริทึมชนิด J48 วิธีโครงข่ายประสาทเทียมโดยใช้อัลกอริทึมชนิดเพอร์เซปตรอนแบบหลายชั้น วิธีซัพพอร์ตเวกเตอร์แมชชีนโดยใช้อัลกอริทึม SMO ชนิดโพลิโนเมียลเคอร์เนล วิธีฐานกฎโดยใช้อัลกอริทึมชนิดตารางการตัดสินใจ วิธีการถดถอยลอจิสติกทวิภาค และวิธีนาอีฟเบส์ โดยข้อมูลที่นำมาศึกษาได้จากการเก็บรวบรวมด้วยแบบสอบถาม เกณฑ์ในการเปรียบเทียบพิจารณาจากค่าความแม่น ความเที่ยง ความระลึก ค่าวัดเอฟ ค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ยและค่าคลาดเคลื่อนกำลังสองเฉลี่ย โดยวิธีการจำแนกกลุ่มที่มีประสิทธิภาพมากที่สุดจะให้ค่าความแม่น ความเที่ยง ความระลึก และค่าวัดเอฟที่มีค่ามากที่สุด แต่จะให้ค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ยและค่าคลาดเคลื่อนกำลังสองเฉลี่ยน้อยที่สุด ผลการศึกษาพบว่าวิธีต้นไม้การตัดสินใจมีค่าความแม่น ความระลึกของชั้นไม่ได้ติดเกม ค่าวัดเอฟของชั้นไม่ได้ติดเกม ความเที่ยงของชั้นติดเกมและค่าวัดเอฟของชั้นติดเกมมากที่สุดเท่ากับ 92.17 %, 0.976, 0.948, 0.923 และ 0.842 ตามลำดับ วิธีซัพพอร์ตเวกเตอร์แมชชีนมีค่าความระลึกของชั้นไม่ได้ติดเกมมากที่สุดเท่ากับ 0.976 และค่าคลาดเคลื่อนสัมบูรณ์เฉลี่ยน้อยที่สุดเท่ากับ 0.0870 วิธีฐานกฎมีค่าความเที่ยงของชั้นไม่ได้ติดเกมและความระลึกของชั้นติดเกมมากที่สุดเท่ากับ 0.930 และ 0.806 ตามลำดับ ส่วนวิธีการถดถอยลอจิสติกทวิภาคมีค่าความระลึกของชั้นไม่ได้ติดเกมมากที่สุดเท่ากับ 0.976 และค่าคลาดเคลื่อนกำลังสองเฉลี่ยน้อยที่สุดเท่ากับ 0.0612 แต่เนื่องจากวิธีต้นไม้การตัดสินใจมีประสิทธิภาพในการทำนายดีที่สุด 5 ใน 9 ค่า ดังนั้นวิธีต้นไม้การตัดสินใจเป็นวิธีที่สามารถทำนายการติดเกมของเด็กและวัยรุ่นในกรุงเทพมหานครที่มีประสิทธิภาพมากที่สุด
คำสำคัญ : วิธีเพื่อนบ้านใกล้สุด k ตัว; วิธีต้นไม้การตัดสินใจ; วิธีโครงข่ายประสาทเทียม; วิธีซัพพอร์ตเวกเตอร์แมชชีน; วิธีฐานกฎ; วิธีการถดถอยลอจิสติกทวิภาค; วิธีนาอีฟเบส์
Article Details
เอกสารอ้างอิง
[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.
