การจำแนกประเภทผู้ป่วยโรคเบาหวานโดยใช้เทคนิคเหมืองข้อมูล และการเลือกคุณลักษณะจากความสัมพันธ์ของข้อมูล
Article Sidebar
Main Article Content
Abstract
วัตถุประสงค์ของงานวิจัยนี้คือการสร้างแบบจำลองการจำแนกประเภทผู้ป่วยโรคเบาหวานโดยใช้เทคนิคเหมืองข้อมูลและการเลือกคุณลักษณะจากความสัมพันธ์ของข้อมูลและทำการเปรียบเทียบประสิทธิภาพของแบบจำลองของเทคนิคเหมืองข้อมูล 4 ประเภท ได้แก่ เนอีฟเบย์, เคเนียเรสเนเบอร์, ต้นไม้ตัดสินใจ และ ซัพพอร์ทเวกเตอร์แมชชีน จากการทดลองพบว่าซัพพอร์ทเวกเตอร์แมชชีนมีประสิทธิภาพการทำนายสูงสุดคิดเป็นร้อยละ 76.95% สามารถนำผลที่ได้จากงานวิจัยนี้ไปประยุกต์ใช้ในการคัดกรองและสร้างระบบสนับสนุนการตัดสินใจในส่วนของแนวทางการรักษาของแพทย์ต่อไป
Article Details
- The original content that appears in this journal is the responsibility of the author excluding any typographical errors.
- The copyright of manuscripts that published in PKRU SciTech Journal is owned by PKRU SciTech Journal.
References
อดุลย์ ยิ้มงาม (2560). การทำเหมืองข้อมูล Data Mining. [ออนไลน์], สืบค้นจาก http://compcenter.bu.ac.th/index.php?option=com_content&task=view&id=75&Itemid=172. (25 มีนาคม 2560).
พรพล ธรรมรงค์รัตน์, ลัดดา ปรีชาวีรกุล, และวิภาดา เวทย์ประสิทธิ์. (2551). การจำแนกประเภทเว็บเพจโดยใช้ค่าความถี่เอกสารและซัพพอร์ตเวกเตอร์แมชชีน. ใน การประชุมวิชาการวิทยาการคอมพิวเตอร์และวิศวกรรมคอมพิวเตอร์แห่งชาติ ครั้งที่ 12. ชลบุรี.
Bayes, T., & Price, R. (1763). An Essay towards solving a problem in the Doctrine of chance. Philosophical Transactions of the Royal Society of London, 53, 370-418.
บุญเสริม กิจศิริกุล. (2546). อัลกอริทึมการทำเหมืองข้อมูล (รายงานวิจัยฉบับสมบูรณ์). กรุงเทพฯ: จุฬาลงกรณ์มหาวิทยาลัย.
นรินทร์ พนาวาส, และ นิเวศ จิระวิชิตชัย. (2553). การจำแนกมะเร็งเม็ดเลือดขาวโดยใช้เทคนิคการลดมิติข้อมูลด้วย Chi-square (หน้า 7-12). ใน การประชุมวิชาการระดับประเทศด้านเทคโนโลยีสารสนเทศ ครั้งที่ 3 (NCIT10).
UCI Machine Learning Repository. (2008). Pima Indians Diabetes Database. [Online], Retrieved from https://www.kaggle.com/uciml/pima-indians-diabetes-database.
Chirawichitchai, N. (2012). Data classification Using Weka software. Journal of Engineering Siam University.
วิธวินท์ แสงมณี. (2557). การสร้างแบบจำลองทำนายโอกาสการกลับมารักษาตัวซ้ำของผู้ป่วยโรคเบาหวาน. ประจวบคีรีขันธ์: มหาวิทยาลัยเทคโนโลยีราชมงคลรัตนโกสินทร์ วิทยาเขตวังไกลกังวล.
Han, J., & Kamber, M. (2006). Data Mining: Concepts and techniques (2nd ed.). San Francisco: Morgan Kaufmann.
RapidMiner (2019). What’s New in RapidMiner Studio 7.5?. [Online], Retrieved from https://docs.rapidminer .com/7.6/studio/releases/7.5/. (2019, June 30).
เอกสิทธิ์ พัชรวงศ์ศักดา (2557). เทคนิค Support Vector Machie (SVM) และซอฟต์แวร์ HR-SVM. [ออนไลน์], สืบค้นจากhttp://dataminingtrend.com/2014/support-vector-machine-svm/. (13 มีนาคม 2557).
เอกสิทธิ์ พัชรวงศ์ศักดา (2557). โมเดล Naïve Bayes และการแปลความหมาย. [ออนไลน์]. สืบค้นจากhttp:// dataminingtrend.com/2014/naive-bayes. (17 มีนาคม 2557).
Kishor, N. (2018). K-Nearest Neighbors – the Laziest Machine Learning Technique. [Online], Retrieved from https://www.houseofbots.com/news-detail/2542-4-k-nearest-neighbors-the-laziest-machine-learning-technique. (2018, April 2).
Chirawichitchai, N. (2013). Automatic Thai Document Classification Model. Journal of Industrial Technology King Mongkut’s University of Technology, 9, 141–149.
Mr. P L. (2561). SVM อดีตเคยหวานปัจจุบันแอบเซง : Machine Learning 101. [ออนไลน์], สืบค้นจาก https://medium.com/mmp-li/svm-อดีตเคยหวานปัจจุบันแอบเซง-machine-learning-101-6008753c780c. (15 พฤศจิกายน 2561).