การเปรียบเทียบประสิทธิภาพของตัวแบบการเรียนรู้ของเครื่องสำหรับการจำแนกผู้ป่วยโรคมะเร็งปอด
Article Sidebar
Main Article Content
บทคัดย่อ
จุดมุ่งหมายของงานวิจัยในครั้งนี้คือ การเปรียบเทียบประสิทธิภาพของตัวแบบสำหรับการจำแนกผู้ป่วยโรคมะเร็งปอดด้วยการเรียนรู้ของเครื่อง ประกอบด้วย 5 ตัวแบบ ได้แก่ ตัวแบบต้นไม้ตัดสินใจ ตัวแบบป่าสุ่ม ตัวแบบนาอีฟเบย์ ตัวแบบเคเนียร์เรสเนเบอร์ และ ตัวแบบซัพพอร์ตเวกเตอร์แมชชีน ในการศึกษาครั้งนี้ได้ใช้ข้อมูลทุติยภูมิจากเว็บไซต์ Kaggle.com จำนวน 309 ข้อมูล และใช้ค่าความแม่นยำเป็นตัวเปรียบเทียบประสิทธิภาพของตัวแบบสำหรับการจำแนกผู้ป่วยโรคมะเร็งปอด ผลการศึกษาพบว่า ตัวแบบที่มีประสิทธิภาพสำหรับการจำแนกผู้ป่วยโรคมะเร็งปอด คือ ตัวแบบป่าสุ่ม มีค่าความแม่นยำมากสุด คือ 90.32% ส่วนตัวแบบต้นไม้ตัดสินใจ ตัวแบบนาอีฟเบย์ ตัวแบบเคเนียร์เรสเนเบอร์ และตัวแบบซัพพอร์ตเวกเตอร์แมชชีน มีค่าความแม่นยำในการจำแนกผู้ป่วยโรคมะเร็งปอด เท่ากับ 87.10%, 83.87%, 80.65% และ 87.10% ตามลำดับ
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
กองบรรณาธิการวารสารวิชาการ มหาวิทยาลัยเทคโนโลยีราชมงคลกรุงเทพ มีความยินดีที่จะรับบทความจากอาจารย์ นักวิจัย นักวิชาการทั้งภายในและภายนอกมหาวิทยาลัย ในสาขาวิชาวิทยาศาสตร์และเทคโนโลยี ได้แก่ สาขาวิชาวิทยาศาสตร์ วิศวกรรมศาสตร์ และสาขาอื่นๆ ที่เกี่ยวข้อง รวมถึงสาขาต่างๆ ที่มีการบูรณาการข้ามศาสตร์ที่เกี่ยวข้องวิทยาศาสตร์และเทคโนโลยี ที่เขียนเป็นภาษาไทยหรือภาษาอังกฤษ ซึ่งผลงานวิชาการที่ส่งมาขอตีพิมพ์ต้องไม่เคยเผยแพร่ในสิ่งพิมพ์อื่นใดมาก่อน และต้องไม่อยู่ในระหว่างการพิจารณาของวารสารอื่น
การละเมิดลิขสิทธิ์ถือเป็นความรับผิดชอบของผู้ส่งบทความโดยตรง บทความที่ได้รับการตีพิมพ์ต้องผ่านการพิจารณากลั่นกรองคุณภาพจากผู้ทรงคุณวุฒิและได้รับความเห็นชอบจากกองบรรณาธิการ
ข้อความที่ปรากฏอยู่ในแต่ละบทความที่ตีพิมพ์ในวารสารวิชาการเล่มนี้ เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่าน ไม่เกี่ยวข้องกับมหาวิทยาลัยเทคโนโลยีราชมงคลกรุงเทพแต่อย่างใด ความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความแต่ละบทความเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใดๆ ผู้เขียนแต่ละท่านจะต้องรับผิดชอบบทความของตนเองแต่ผู้เดียว
กองบรรณาธิการขอสงวนสิทธิ์มิให้นำเนื้อหา หรือข้อคิดเห็นใดๆ ของบทความในวารสารวิชาการ มหาวิทยาลัยเทคโนโลยีราชมงคลกรุงเทพ ไปเผยแพร่ก่อนได้รับอนุญาตจากกองบรรณาธิการ อย่างเป็นลายลักษณ์อักษร ผลงานที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของวารสาร
References
กรมการแพทย์. กรมการแพทย์เผยมะเร็งปอดเป็นสาเหตุการเสียชีวิตอันดับ 2 ของคนไทย. [อินเตอร์เน็ต]. 2565. [เข้าถึงเมื่อ 10 กันยายน 2566]. เข้าถึงได้จาก: http://pr.moph.go.th /? url=pr/detail /2/02/121812/.
โรงพยาบาลบำรุงราษฎร์. มะเร็งปอด. [อินเตอร์เน็ต]. 2566. [เข้าถึงเมื่อ 10 กันยายน 2566]. เข้าถึงได้จาก: http://www.bumrung rad.com/th/conditions/lung-cancer.
ปริญญา สงวนสัตย์. AI สร้างได้ด้วยแมชชีนเลิร์นนิ่ง. พิมพ์ครั้งที่ 1. นนทบุรี: สำนักพิมพ์ไอดีซี พรีเมียร์: 2562.
Lung Cancer Detection. [อินเตอร์เน็ต]. 2565. [เข้าถึงเมื่อ 1 กันยายน 2566]. เข้าถึงได้จาก: https://www.kaggle.com/datasets /jillanisofttech/lung-cancer-detection.
กฤตกนก ศรีพิมพ์สอ, และกิตติพล วิแสง. การพยากรณ์โรคเบาหวานด้วยเทคนิคเหมืองข้อมูล. วารสารวิชาการการจัดการเทคโนโลยีเทคโนโลยี มหาวิทยาลัยราชภัฏมหาสารคาม. 2566;10(1): 51-63.
โสภี แก้วชะฎา, สมพร เรืองอ่อน, และอุทัย คูหาพงศ์. เปรียบเทียบประสิทธิภาพของตัวแบบการเรียนรู้ของเครื่องสำหรับทำนายราคาพริกขี้หนูในจังหวัดนครศรีธรรมราช. วารสารวิชาการซายน์เทค มรภ.ภูเก็ต. 2565;6(2): 1-11.
Skorikov, M., & Momen, S. (2020). Machine learning approach to predicting the acceptance of academic papers (pp113-116). In The 2020 IEEE International Conference on Industry 4.0, Artificial Intelligence, and Communica tions Technology (IAICT).
รุ่งโรจน์ บุญมา, และนิเวศ จิระวิชิตชัย. การจำแนกผู้ป่วยโรคเบาหวานด้วยเทคนิคเหมืองข้อมูลและการเลือกคุณลักษณะจากความสัมพันธ์ของข้อมูล. วารสารวิชาการซายน์เทค มรภ.ภูเก็ต. 2562;3(2): 11-19.