การเลือกคุณลักษณะสำคัญแบบพลวัตสำหรับความเหมาะสมที่สุด ของการจำแนกต้นไม้ตัดสินใจบนพื้นฐานเงื่อนไขหลายเป้าหมาย

Abstract

การวิจัยครั้งนี้มีวัตถุประสงค์ 1) เพื่อบูรณาการอัลกอริทึมการเลือกคุณลักษณะสำคัญแบบพลวัตกับการจำแนกต้นไม้ตัดสินใจบนพื้นฐานเงื่อนไขหลายเป้าหมาย และ 2) เพื่อประเมินประสิทธิภาพการเลือกคุณลักษณะสำคัญแบบพลวัตสำหรับความเหมาะสมที่สุดของการจำแนกต้นไม้ตัดสินใจบนพื้นฐานเงื่อนไขหลายเป้าหมาย การดำเนินงานประกอบด้วย 6 ขั้นตอนหลัก ได้แก่ 1) การเก็บรวบรวมข้อมูลของนักศึกษาจากงานทุนการศึกษาของวิทยาลัยเทคโนโลยีทางการแพทย์และสาธารณสุข กาญจนาภิเษก ข้อมูลจำนวน 500 คน และคุณลักษณะสำคัญจำนวน 29 คุณลักษณะ 2) การเตรียมข้อมูลโดยกำหนดเงื่อนไขหลายเป้าหมายจำนวน 3 แบบ สำหรับทุนที่มี 3 ประเภท โดยประยุกต์วิธีสังเคราะห์ข้อมูลเพิ่มสำหรับแก้ไขปัญหาชุดข้อมูลของนักศึกษาที่มีความไม่สมดุล และพัฒนาวิธีการเลือกคุณลักษณะสำคัญแบบพลวัตบนพื้นฐานเงื่อนไขหลายเป้าหมาย 3) การสร้างแบบจำลองการจำแนกด้วยอัลกอริทึมต้นไม้ตัดสินใจ สำหรับสอนและทดสอบแบบจำลอง 4) การประเมินประสิทธิภาพแบบจำลอง 5) การปรับค่าพารามิเตอร์เพื่อหาค่าความเหมาะสมที่สุด และ 6) การใช้โมเดลพยากรณ์ ผลการวิจัยนี้ได้ผลลัพธ์ค่าความถูกต้องร้อยละ 85.37 ค่าความแม่นยำร้อยละ 85.12 ค่าเรียกคืนร้อยละ 86.52 และการวัดประสิทธิภาพโดยรวมร้อยละ 85.79

The purposes of this research were 1) to integrate the dynamic feature selection algorithm with the decision tree classification based on multi-target conditions, and 2) to evaluate the performance of the dynamic feature selection for optimization of decision tree classification based on multi-target conditions. The operation consisted of six main steps as 1) data collection of student scholarships from Kanchanabhishek Institute of Medical and Public Health Technology on 500 students and 29 features, 2) data preparation by assigning the multi-target conditions for 3 scholarship types by applying the synthetic minority over-sampling technique for solving the problem with imbalanced dataset and developing the dynamic feature selection algorithm based on multi-target conditions, 3) building the classification model with decision tree algorithm for training and testing a model, 4) evaluation the model, 5) parameter tuning for finding the optimal value and 6) model prediction. The experimental results were 85.37% for accuracy, 85.12 % for precision, 86.52 % for recall, and 85.79% for F-measure