การเพิ่มประสิทธิภาพ Feature Selection สำหรับการจำแนกกลุ่มบทความวิจัย

บทคัดย่อ

เทคนิคเหมืองข้อมูลในปัจจุบันมีบทบาทสำคัญกับการประมวลผลข้อมูล การสกัดข้อมูล และการสืบหาสารสนเทศ ด้วยการจำแนกข้อมูลถือเป็นเทคนิคที่ได้รับความนิยม ด้วยการสร้างต้นแบบการจำแนกมีข้อจำกัดของประสิทธิภาพ การเลือกคุณลักษณะ (Feature Selection) ด้วยหลักการทางสถิติแบบ Information Gain สำหรับตัดคุณลักษณะที่มีค่าน้ำหนักน้อย ที่เลือกมาประยุกต์กับการจำแนกข้อมูล Naïve Bayes และ Decision Tree เพื่อคัดแยกกลุ่มบทความวิจัย จากกรณีศึกษา งานประชุมวิชาการเครือข่ายด้านวิทยาศาสตร์ภาคใต้ครั้งที่ 4 จำนวน 177 บทความวิจัย แบ่ง 4 สาขา ได้แก่ ด้านคณิตศาสตร์ ด้านวิทยาศาสตร์สุขภาพ ด้านวิทยาการคอมพิวเตอร์ และด้านอื่น ๆ ที่เกี่ยวข้อง ให้ค่าความถูกต้องสูงสุดที่ 84% ด้วยการจำแนกแบบ Naïve Bayes ที่มีการเลือกคุณลักษณะค่าน้ำหนัก 0.03 ให้ค่าคุณลักษณะจำนวน 444 คำ แต่การจำแนกแบบ Decision Tree ให้ค่าความถูกต้องที่ 60% ที่จำนวนคุณลักษณะ 9 คำ ด้วยค่าน้ำหนักการเลือกคุณลักษณะ 0.20 โดยสรุปการเลือกคุณลักษณะร่วมกับการจำแนกแบบ Naïve Bayes ให้ต้นแบบการจำแนกที่มีประสิทธิภาพดีกว่าด้วยชุดข้อมูลกรณีศึกษา