การเรียนรู้แบบรวมกลุ่มด้วยโครงข่ายประสาทเทียมเอดาบูท สำหรับการจำแนกข้อมูล

Main Article Content

เดช ธรรมศิริ
พยุง มีสัจ

Abstract

ในปัจจุบันการเพิ่มความแม่นยำสำหรับการจำแนกข้อมูล ถือเป็นเรื่องสำคัญ ดังนั้นงานวิจัยครั้งนี้ เป็นการนำเสนอวิธี การจำแนกข้อมูลด้วยวิธีร่วมกันตัดสินใจโดยใช้ เทคนิค โครงข่ายประสาทเทียมร่วมกับการรวมกลุ่มตัดสินใจโดยใช้ เทคนิคเอดาบูทเพื่อให้ความถูกต้องในการจำแนกข้อมูลที่สูงขึ้น ทดสอบบนฐานข้อมูลโรคเบาหวานได้แก่ Diabites Data จาก UCI การทดสอบความถูกต้องในการจำแนกข้อมูล Diabites Data พบว่า เทคนิคการร่วมกันตัดสินใจจากหลาย โมเดลที่ผ่านการรวมกลุ่มตัดสินใจด้วยเทคนิคเอดาบูทมี ผลลัพธ์ที่ดีกว่าการใช้เทคนิคแบบโมเดลเดี่ยว โดยผลการวิจัยพบว่า สำหรับข้อมูล Diabites Data ให้ผลลัพธ์ความถูกต้อง สูงสุดที่ 75.02 % ในขณะที่โมเดลเดี่ยวให้ความแม่นยำที่น้อยกว่า

 

Adaboost Artificial Neural Network Ensemble Learning for Classification

Dech Thammasiri and Phayung Meesad

Currently, performance accuracy for classification is critical. In this paper, we propose an ensemble classification technique based on artificial neural network ensemble classifier by Adaboost in order to increase classification accuracy. For classification accuracy test on Diabites Data, we found that the proposed artificial neural network ensemble classifier by adaboost yields better performance than that of single model. The results show that Diabites Data achieved best performance with 75.02%, while single model show lower accuracy.

Article Details

Section
บทความวิจัย