259
ผลการดาเนิ
นงาน
ความแม่
นยาและค่
าความผิ
ดพลาด
ในการจาแนกประเภทนิ
สิ
ตที่
สามารถสาเร็
จการศึ
กษาได้
ตามเวลาและไม่
ได้
ตามเวลา โดยใช้
ข้
อมู
ลของนิ
สิ
ตระดั
บ
ปริ
ญญาตรี
ที่
สาเร็
จการศึ
กษา 55 คุ
ณลั
กษณะ จานวน 394 ข้
อมู
ล โดยจากผลการทดลองทดสอบด้
วยวิ
ธี
การแบบ 5-Fold
Cross Validation พบว่
าอั
ลกอริ
ทึ
ม 7-Nearest Neighbors ของเทคนิ
ค K-NN แบบถ่
วงน้
าหนั
ก (Distance-Weighted K-NN)
ให้
ค่
าความแม่
นยาในการจาแนกประเภทสู
งสุ
ดทั้
งในกรณี
แยกตามสาขาวิ
ชา และรวมข้
อมู
ลนิ
สิ
ตทั้
งคณะ ด้
วยค่
าความแม่
นยา
97.8261% ค่
าความผิ
ดพลาด (MAE) เท่
ากั
บ 0.158
ตารางที่
2
แสดงค่
าความแม่
นยาและค่
าความคลาดเคลื่
อนของอั
ลกอริ
ทึ
มการจาแนกประเภท
การเปรี
ยบเที
ยบประสิ
ทธิ
ภาพอั
ลกอริ
ทึ
มการจาแนกประเภท
กราฟการเปรี
ยบเที
ยบประสิ
ทธิ
ภาพของอั
ลกอริ
ทึ
มแบบต่
าง ๆ แสดงดั
งภาพที่
4a และภาพที่
4b แสดง ROC
AREA จะเห็
นได้
ว่
า อั
ลกอริ
ทึ
มในกลุ่
ม Distance-Weight K-NN จะให้
ประสิ
ทธิ
ภาพการจาแนกประเภทได้
แม่
นยากว่
า
อั
ลกอริ
ทึ
มแบบ Neural Network, K-NN แบบไม่
ถ่
วงน้
าหนั
ก และต้
นไม้
การตั
ดสิ
นใจ ตามลาดั
บ
4a
4b
ภาพที่
4a
แสดงกราฟเปรี
ยบเที
ยบค่
าความแม่
นยาของอั
ลกอริ
ทึ
มการจาแนกประเภท,
4b
แสดง
พื้
นที่
ROC AREA ของอั
ลกอริ
ทึ
มการจาแนกประเภท