การพัฒนาตัวแบบการพยากรณ์ ความถนัดทางการเรียนตามทฤษฎี 4 MAT โดยการวิเคราะห์ด้วยวิธีต้นไม้

ขนิษฐา ดีสุบิน

Abstract


งานวิจัยนี้มีวัตถุประสงค์เพื่อพยากรณ์ความถนัดทางการเรียนตามทฤษฎี 4 MATโดยการวิเคราะห์ด้วยวิธีต้นไม้ ในการสร้างและทดสอบตัวแบบพยากรณ์ ผู้วิจัยใช้โปรแกรม WEKA ในการสร้างตัวแบบด้วยเทคนิคต้นไม้ตัดสินใจ (Decision TreeTechnique) โดยผู้วิจัยใช้วิธีการจัดหมวดหมู่ (Classification) และวิธีการเรียนรู้ (Learning Methods) โดยใช้ J48 (อัลกอลิธึม C4.5 Version 8.0) ในการเรียนรู้ (Learning) จาก Train Dataset และสร้างแบบจำลองต้นไม้เพื่อการจำแนกกลุ่มข้อมูลสำหรับนำไปใช้เป็นอัลกอลิธึม บนเว็บที่จะพัฒนาต่อไปเป็นโมดูลบนเครือข่ายโดยตัวแบบที่ได้จะอยู่ในรูปแบบของกฎการจำแนกประเภทข้อมูลจากการเรียนรู้ด้วย ชุดการเรียนรู้ (Training set) แล้วนำไปทดสอบด้วยชุดทดสอบ (Test data)โดยใช้วิธีการตรวจสอบไขว้ (K-fold cross-validation) และวิธีการแบ่งข้อมูลแบบสุ่มด้วยการแบ่งเป็นร้อยละ (Percentage Split) ผลการวิจัยพบว่าตัวแบบการพยากรณ์ความถนัดทางการเรียนตามทฤษฎี 4 MATที่ถูกพัฒนาด้วยวิธีการแบ่งข้อมูล ชุดการเรียนรู้และทดสอบออกจากกันมีค่าประสิทธิภาพสูงกว่าตัวแบบที่พัฒนาด้วยวิธีอื่น โดยมีค่าความถูกต้องเท่ากับ 77.65 %ค่าความแม่นยำเท่ากับ 77.90 % ค่าความระลึกเท่ากับ 77.65 % และค่าความถ่วงดุลเท่ากับ 77.40 % แสดงว่าวิธีการแบ่งข้อมูล ชุดการเรียนรู้และทดสอบออกจากกันสามารถนำไปใช้พัฒนาตัวแบบการพยากรณ์ความถนัดทางการเรียนรู้ตามทฤษฎี 4 MAT โดยการวิเคราะห์ด้วยวิธีต้นไม้ที่มีความถูกต้องและแม่นยำในการทำนายความถนัดทางการเรียนตามทฤษฎี 4 MAT ได้เป็นอย่างดี

 

The objective of this research was to forecast aptitude of learning by 4 MAT theory using the analyzing with a decision tree. To build and test the model predictions a researcher using WEKA on modeling techniques with a decision tree was used. The investigator used the method of classification and learning methods by J48 (algorithm C4.5 Version 8.0). To learn from the Train Dataset and the modeling of trees to be used for the classification of information as the algorithm web continues to evolve as a module on the network. The model will be available in the form of rules, the classification of learning with the training set then put to the test data utilizing the k-fold cross-validation and percentage split. The results showed that forecast aptitude of learning by 4 MAT theory using the analyzing with a decision tree that was developed the training set and share data sets from each a higher performance model prepared in other ways. The accuracy of 77.65 % and 77.90 % accuracy equal to 77.65 % of the memorial and the balance was 77.40 %. Showing how training set and share data sets can be used to develop the forecast aptitude of learning by 4 MAT theory using the analyzing with decision tree with accuracy and precision in the prediction ability of learning by 4 MAT method as well.


Keywords


ความถนัดทางการเรียน; ต้นไม้ตัดสินใจ; ทฤษฎี 4 MAT; forecast aptitude of learning; 4 MAT theory; decision tree

Full Text:

PDF

Refbacks

  • There are currently no refbacks.


Copyright (c) 2017 วารสารนวัตกรรมการเรียนรู้ มหาวิทยาลัยวลัยลักษณ์ (Journal of Learning Innovations Walailak University)

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.