การเพิ่มประสิทธิภาพตัวแบบการพยากรณ์ตามกฎด้วยเทคนิคการเรียนรู้แบบรวมกลุ่มสำหรับพยากรณ์ภาวะการมีงานทำของบัณฑิต

บทคัดย่อ

การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพตัวแบบการพยากรณ์ตามกฎที่เพิ่มประสิทธิภาพด้วยเทคนิคแบบรวมกลุ่มสำหรับพยากรณ์ภาวะการมีงานทำของบัณฑิต การพยากรณ์ตามกฎที่นำมาใช้เปรียบเทียบในงานวิจัย จำนวน 4 เทคนิค  ได้แก่ MODELM, PART, J48 และ Random Trees ได้เพิ่มประสิทธิภาพการพยากรณ์ตามกฎด้วยเทคนิคการเรียนรู้แบบรวมกลุ่มที่นำมาใช้ในงานวิจัยนี้ คือ Boosting Method แบบ AdaBoost  ใช้ 10-fold cross validation ในการแบ่งข้อมูลออกเป็นชุดข้อมูลสอนและชุดข้อมูลทดสอบ และได้ใช้ค่าความถูกต้อง ค่าความแม่นยำ ค่าความระลึก และค่าความถ่วงดุล  ในการวัดประสิทธิภาพการพยากรณ์ของตัวแบบ ผลการทดลองพบว่าการเพิ่มประสิทธิภาพตัวแบบการพยากรณ์ตามกฎด้วยเทคนิคการเรียนรู้แบบรวมกลุ่ม สามารถเพิ่มประสิทธิภาพให้ตัวแบบเพิ่มขึ้นในทุกเทคนิคที่ได้นำมาเปรียบเทียบ สรุปได้ว่าค่าความถูกต้องเพิ่มขึ้นเฉลี่ยร้อยละ 6.99  ค่าความแม่นยำเพิ่มขึ้นเฉลี่ยร้อยละ 6.90 ค่าความระลึกเพิ่มขึ้นเฉลี่ย   ร้อยละ 7.05 และค่าความถ่วงดุลเพิ่มขึ้นเฉลี่ยร้อยละ 7.15 โดยที่ตัวแบบพยากรณ์จากอัลกอริทึม J48 ที่เพิ่มประสิทธิภาพด้วยวิธี AdaBoost เป็นตัวแบบที่มีประสิทธิภาพในการพยากรณ์สูงที่สุด โดยมีค่าความถูกต้องเท่ากับร้อยละ 89.47 ค่าความแม่นยำเท่ากับร้อยละ 89.50 ค่าความระลึกเท่ากับร้อยละ  89.50 และค่าความถ่วงดุลเท่ากับร้อยละ 89.50