Comparing the Performance of Machine Learning Models for Classifying Lung Cancer Patients
Abstract
The objective of this research is to compare the performance of machine learning models for lung cancer patient classification. The study includes five different models: decision tree, random forest, naive Bayes, k-nearest neighbors, and support vector machine. The research utilizes secondary data from the Kaggle.com website, consisting of 309 records, and uses accuracy as the metric to compare the performance of these models. The study result showed that the most efficient model for lung cancer patient classification is the random forest model,
achieving the highest accuracy of 90.32%. Meanwhile, the decision tree, naive Bayes, k-nearest neighbors, and support vector machine models demonstrated classification accuracies of 87.10%, 83.87%, 80.65%, and 87.10%, respectively, in identifying lung cancer patients.
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.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 UTK RESEARCH JOURNAL
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
