การประชุมวิชาการระดับชาติมหาวิทยาลัยทักษิณ 2559 - page 256

255
ประเภทข้ อมู ลนี้ได้ นาไปประยุกต์ใช้ในหลายด้ าน เช่ น การจัดกลุ่มลู กค้าทางการตลาด การพยากรณ์การเกิดโรค และการ
วิเคราะห์สภาพภู มิอากาศ เป็นต้ น
อัลกอริทึมต้นไม้การตั ดสินใจ
วิธีการสร้างต้นไม้ตัดสินใจเชิงอุปนัย มีขั้นตอนโดยทั่วไปดังนี้ [3] เลือกคุ ณลักษณะสาคัญที่ทาหน้ าที่เป็นโหนดราก
จากนั้นสร้างเส้นทางเชื่อมจากโหนดรากไปยังโหนดลูก โดยจานวนเส้นทางเชื่อมจะเท่ากับจานวนค่ าที่เป็นไปได้ทั้งหมดของ
คุณลักษณะที่เป็นโหนดราก ถ้าโหนดลูกเป็ นกลุ่มของข้อมูลที่อยู่ในคลาสเดียวกั นทั้งหมด ให้หยุดการสร้างต้นไม้ แต่ถ้าโหนด
ลู กมีข้อมูลของหลายผลการทานาย ปะปนกันอยู่ต้องสร้างต้นไม้ย่อย เพื่อจาแนกข้อมูลต่อไป โดยเลือกคุณลักษณะมาทาหน้าที่
เป็นโหนดรากของต้นไม้ย่ อย และทาซ้าในขั้นตอนข้างต้น
โดยในงานวิจัยนี้ เลือกใช้อั ลกอริทึม ID3 ซึ่ งใช้ค่า Information Gain ในการประมวลผล และอัลกอริทึม C4.5 ซึ่ งใช้
ค่า Gain Ratio ในการประมวลผล
โดย Information Gain มีการคานวณที่ไม่ซับซ้ อนแต่ยังมีความเอนเอียงในการคานวณ โดยสมการการคานวณแสดงดังสมการ
ที่ (1) และ (2)
(1)
(2)
ค่าอัตราส่วนเกน (Gain Ratio) (Tan, 2006; Richard, 2003) มี วิธีการคานวณเช่นเดี ยวกับค่า Information Gain
แต่จะมีการแก้ปัญหาในเรื่องความเอนเอี ยงในการคานวณ โดยการเพิ่มการหาค่าสารสนเทศการแบ่งแยก (Split Information)
[4] ซึ่งจะมีการคานวณที่ละเอียดมากขึ้น ดังสมการที่ (3) และ (4)
(3)
(4)
เมื่ อ S คือ คุณลักษณะที่ใช้ในการตัดสินใจ และ V คือ ลักษณะเงื่อนไขหรือประเภทการทานาย
อัลกอริทึม K-Nearest Neighbor
เป็นอั ลกอริทึมในการจาแนกประเภท โดยการตรวจสอบระยะห่างกับข้อมูลข้างเคียง โดยจะเลือกข้อมูลข้างเคียงหรือ
เพื่อนบ้ าน จานวน K ค่า ซึ่งใช้สมการการคานวณระยะห่าง [5] ได้แก่ สมการ Euclidean Distance ดังสมการที่ (5)
(5)
โดย d Euclidean(xi, yi) คือ ระยะห่างระหว่างตัวอย่ าง xi และตัวอย่ าง y i
xi,k คือ คุณสมบัติตัวที่ k ของตัวอย่ าง xi