เทคนิคเหมืองข้อมูลสำหรับการพยากรณ์ ผลสัมฤทธิ์ทางการศึกษาด้วยวิธีการจัดการเรียนการสอนแบบผสมผสาน
Article Sidebar
เผยแพร่แล้ว:
เม.ย. 4, 2018
คำสำคัญ:
แบบจำลองการพยากรณ์ การเรียนแบบผสมผสาน เหมืองข้อมูล การจำแนกข้อมูล
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองสำหรับการพยากรณ์ผลสัมฤทธิ์ทางการศึกษาด้วยวิธีการจัดการเรียนการสอนแบบผสมผสานโดยใช้เทคนิคเหมืองข้อมูลทั้งนี้ข้อมูลที่ใช้สำหรับสร้างแบบจำลองได้จากชุดข้อมูลคะแนนการทดสอบของผู้เรียนในระหว่างการศึกษามีทั้งสิ้น 20 ตัวแปรการวิจัยได้แบ่งข้อมูลออกเป็น 2 ชุดข้อมูลโดยใช้วิธีการคัดเลือกคุณลักษณะ (Feature Selection) ด้วยวิธีInformation Gain และGain Ratio จากนั้นลดมิติของข้อมูลเพื่อนำไปวัดค่าประสิทธิภาพของแบบจำลองการพยากรณ์โดยใช้วิธี 10-fold Cross Validation ผลการวิจัยพบว่าแบบจำลองสำหรับการพยากรณ์แบบเคเนียเรสเนเบอร์ (KNN) มีค่าความถูกต้องสูงสุดเท่ากับ 86.13% ต้นไม้ตัดสินใจ (Decision Tree) เท่ากับ 81.74% กฎพื้นฐาน (Rule-Base) เท่ากับ 81.67% และนาอีฟเบย์ (Naïve Bays) เท่ากับ 55.05%
Article Details
บท
บทความวิจัย
References
Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: synthetic minority over-sampling technique. J. Artif. Int. Res., 16(1), 321-357.
Han, J., & Kamber, M. (2006). Data Mining: Concepts and Techniques: Elsevier.
Kotsiantis, S., Tzelepis, D., Koumanakos, E., & Tampakas, V. (2006). Forecasting Fraudulent Financial Statements Using Data Mining. International Journal of Computer Science, 1(2), 99-107.
Mladenic, D., & Grobelnik, M. (1999). Feature Selection for Unbalanced Class Distribution and Naive Bayes. Paper presented at the Proceedings of the Sixteenth International Conference on Machine Learning.
Pal, S. (2012). Mining Educational Data Using Classification to Decrease Dropout Rate of Students. CoRR, abs/1206.3078.
Quinlan, J. R. (1986). Induction of Decision Trees. Mach. Learn., 1(1), 81-106.
Quinlan, J. R. (1990). Decision trees and decision-making. Systems, Man and Cybernetics, IEEE Transactions on, 20(2), 339-346.
Rokach, L., & Maimon, O. Z. (2008). Data mining with decision trees : theroy and applications. Singapore ; Hackensack, NJ: World Scientific.
Tan, P. N., Steinbach, M., & Kumar, V. (2006). Introduction to Data Mining: Pearson Addison Wesley.
Witten, I. H., Frank, E., & Hall, M. A. (2011). Data Mining: Practical Machine Learning Tools and Techniques: Elsevier Science.
Yadav, S. K., & Pal, S. (2012). Data Mining: A Prediction for Performance Improvement of Engineering Students using Classification.
Han, J., & Kamber, M. (2006). Data Mining: Concepts and Techniques: Elsevier.
Kotsiantis, S., Tzelepis, D., Koumanakos, E., & Tampakas, V. (2006). Forecasting Fraudulent Financial Statements Using Data Mining. International Journal of Computer Science, 1(2), 99-107.
Mladenic, D., & Grobelnik, M. (1999). Feature Selection for Unbalanced Class Distribution and Naive Bayes. Paper presented at the Proceedings of the Sixteenth International Conference on Machine Learning.
Pal, S. (2012). Mining Educational Data Using Classification to Decrease Dropout Rate of Students. CoRR, abs/1206.3078.
Quinlan, J. R. (1986). Induction of Decision Trees. Mach. Learn., 1(1), 81-106.
Quinlan, J. R. (1990). Decision trees and decision-making. Systems, Man and Cybernetics, IEEE Transactions on, 20(2), 339-346.
Rokach, L., & Maimon, O. Z. (2008). Data mining with decision trees : theroy and applications. Singapore ; Hackensack, NJ: World Scientific.
Tan, P. N., Steinbach, M., & Kumar, V. (2006). Introduction to Data Mining: Pearson Addison Wesley.
Witten, I. H., Frank, E., & Hall, M. A. (2011). Data Mining: Practical Machine Learning Tools and Techniques: Elsevier Science.
Yadav, S. K., & Pal, S. (2012). Data Mining: A Prediction for Performance Improvement of Engineering Students using Classification.