ประสิทธิภาพของตัวดำเนินการข้ามสายพันธุ์ในขั้นตอนเชิงพันธุกรรม สำหรับการคัดเลือกตัวแปรในการวิเคราะห์การถดถอย
Article Sidebar
Main Article Content
บทคัดย่อ
การคัดเลือกตัวแปรในการวิเคราะห์การถดถอยเป็นขั้นตอนที่ท้าทายในกรณีที่ตัวแปรมีจำนวนมากและคาดว่าตัวแปรบางคู่มีปฏิสัมพันธ์กัน (Interaction) เพราะจำนวนตัวแบบทั้งหมดที่เป็นไปได้จะมีจำนวนมาก วิธีคัดเลือกตัวแปรแบบขั้นตอน (Stepwise selection) ซึ่งเป็นที่นิยมมีแนวโน้มที่จะให้ค่าที่ดีที่สุดเฉพาะที่ (Local optima) ในงานวิจัยนี้จึงสนใจ การใช้ขั้นตอนเชิงพันธุกรรม (Genetic algorithm) กับตัวดำเนินการข้ามสายพันธุ์ทั้ง 6 วิธีโดยใช้ข้อมูลจริง 4 ชุดและข้อมูลที่ได้จากการจำลอง ทั้งนี้จะศึกษาทั้งในการถดถอยเชิงเส้นและการถดถอยลอจิสติกทวิภาคและใช้เกณฑ์สารสนเทศของอะกะอิเกะ (Akaike’s information criterion: AIC) ในการคัดเลือกตัวแปรอิสระ สำหรับข้อมูลที่จำลอง ได้สมมติให้ตัวแปรอิสระไม่มีความสัมพันธ์กันและมีความสัมพันธ์แบบ AR1 (First-order autoregressive) ที่มีสัมประสิทธิ์สหสัมพันธ์เท่ากับ 0.3, 0.5 และ 0.8 ผลลัพธ์ที่ได้จะนำมาเปรียบเทียบกับวิธีคัดเลือกตัวแปรแบบขั้นตอนทั้ง 3 วิธี คือ การเลือกแบบไปข้างหน้า (Forward selection) การกำจัดแบบถอยหลัง (Backward elimination) และการเลือกแบบขั้นตอน (Alternating stepwise selection) นอกจากนี้ยังได้ นำเสนอเกณฑ์เปอร์เซ็นต์ความถูกต้องของจำนวนตัวแปรอิสระที่เข้าตัวแบบได้ถูกต้อง ผลการศึกษาพบว่า ขั้นตอนเชิงพันธุกรรมสามารถหาตัวแบบที่มีค่า AIC ต่ำกว่าวิธีคัดเลือกตัวแปรแบบขั้นตอน หากเปรียบเทียบตัวดำเนินการข้ามสายพันธุ์ทั้ง 6 พบว่า การข้ามสายพันธุ์แบบ m-1 จุดจะให้ตัวแบบที่มีความเหมาะสมน้อยและต่างจากตัวดำเนินการข้ามสายพันธุ์แบบอื่นอย่างมีนัยสำคัญทางสถิติและการข้ามสายพันธุ์แบบสับเปลี่ยนและแบบเอกรูปไม่มีความแตกต่างอย่างมีนัยสำคัญในทุกกรณีที่ศึกษา
Article Details
เอกสารอ้างอิง
Agresti, A., 2015, Foundations of Linear and Generalized Linear Models, John Wiley & Sons, Inc., New Jersey.
Bilder, C.R. and Loughin, T.M., 2015, Analysis of Categorical Data with R, CRC Press, Inc., Boca Raton.
Simon, D., 2013, Evolutionary Optimization Algorithms, John Wiley & Sons, Inc., New Jersey.
Paterlini, S. and Minerva, T., 2010, Regression Model Selection Using Genetic Algorithm, Available Source: http://www.wseas.us/e-library/conferences/2010/Iasi/NNECFS/NNECFS-01.pdf, October 19, 2018.
Vinterbo, S. and Ohno-Machado, L., 1999, A genetic algorithm to select variable in logistic regression: Example in the domain of myocardial infarction, Proc. AMIA Symp. 1999: 984-988.
Johnson, P., Vendewater, L., Wilson, W., Maruff, P., Savage, G., Graham, P. and Macaulay, L.S., 2014, Genetic algorithm with logistic regression for prediction of progression to Alzheimer’s disease, BMC Bioinfomatics 15(16): 1-14.
Picek, S. and Golub, M., 2010, Comparison of a crossover operator in binary-coded genetic algorithms, WSEAS Transact. Comput. 9: 1064-1073.
Holland, J.H., 1975, Adaptation in Natural and Artificial Systems, In Hoeting, J.A. and Givens, G.H., Computational Statistics, 2nd Ed., John Wiley & Sons, Inc., New Jersey.
Hoeting, J.A. and Givens, G.H., 2013, Computational Statistics, 2th Ed., John Wiley & Sons, Inc., New Jersey, 469 p.
de Jong, K.A., 1975, An Analysis of the Behavior of a Class of Genetic Adaptive Systems, Doctoral Dissertation, University of Michigan, Ann-Arbor, MI.
Umbarkar, A.J. and Sheth, P.D., 2015, Crossover operators in genetic algorithms: A review, ICTACT J. Soft Comput. 6: 1083-1092.
Gwiazda, T.D., 2006, Genetic Algorithms Reference, TomaszGwiazda E-Book, Poland, 410 p.
Shodhganga a Reservoir of Indian Theses, Chapter 9: Crossover, Available Source: http://shodhganga.inflibnet.ac.in/bitstream/10603/32680/19/19_chapter%209.pdf, October 9, 2018.
Soni, N. and Kumar, T., 2014, Study of various mutation operators in genetic algorithms, IJCSIT 5: 4519-4521.
Burnham, K.P. and Anderson, D.R., 2004, Multimodel inference: Understanding AIC and BIC in model selection, Sociol. Methods Res. 33: 261-304.
Vrieze, S.I., 2012, Model selection and psychological theory: A discussion of the differences between the Akaike Information Criterion (AIC) and the Bayesian Information Criterion (BIC), Psychol. Methods 17: 228-243.
Yang, Y., 2005, Can the strengths of AIC and BIC be shared?, Biometrika, 92: 937-950.
Johnson, R.W., 1996, Fitting percentage of body fat to simple body measurements, J. Stat. Edu. 4(1).
Cortez, P., Cerdeira, A., Almeida, F., Matos, T. and Reis, J., 2009, Modeling wine preferences by data mining from physicochemical properties, Decis. Supp. Syst. 47: 547-553.
Cock, D.D., 2011, Ames, Iowa: BDNernative to the Boston Housing Data as an End of Semester Regression Project, J. Stat. Edu. 19(3): 1-15.
National Institute of Diabetes and Digestive and Kidney Diseases, Pima Indian Diabetes, Available Source: https://www.kaggle.com/rnmehta5/pima-indian-diabetes-binary-classification/data, November 25, 2018.
Albright, J., Introduction to Random Effects Models Including HLM, Available Source: https://www.methodsconsultants.com/tutorial/introduction-to-random-effects-models-including-hlm, February 19, 2019.
