ridm@nrct.go.th   ระบบคลังข้อมูลงานวิจัยไทย   รายการโปรดที่คุณเลือกไว้

การพัฒนาประสิทธิภาพการจำแนกข้อมูลโดยนิวรอลเน็ตเวิร์ก ภายใต้ข้อมูลที่มีจำนวนจำกัด

หน่วยงาน ฐานข้อมูลวิทยานิพนธ์ไทย

รายละเอียด

ชื่อเรื่อง : การพัฒนาประสิทธิภาพการจำแนกข้อมูลโดยนิวรอลเน็ตเวิร์ก ภายใต้ข้อมูลที่มีจำนวนจำกัด
นักวิจัย : อรสา เต็งศรีประเสริฐ
คำค้น : การจำแนกข้อมูล , ข้อมูลผู้ป่วยโรคหัวใจ , จำนวนข้อมูลจำกัด , นิวรอลเน็ตเวิร์ก , Control Chart Pattern Recognition , Cross-validation , Leave-one-out cross validation , Samples Duplication , Synergistic Neural Networks , CLASSIFICATION , CONTROL CHART PATTERN RECOGNITION , CROSS-VALIDATION , HEART DISEASE DATA , LEAVE-ONE-OUT CROSS VALIDATION , LIMITED NUMBER OF SAMPLES , NEURAL NETWORKS , SAMPLES DUPLICATION , SYNERGISTIC NEURAL NETWORKS
หน่วยงาน : ฐานข้อมูลวิทยานิพนธ์ไทย
ผู้ร่วมงาน : -
ปีพิมพ์ : 2545
อ้างอิง : http://www.thaithesis.org/detail.php?id=2040
ที่มา : -
ความเชี่ยวชาญ : -
ความสัมพันธ์ : -
ขอบเขตของเนื้อหา : -
บทคัดย่อ/คำอธิบาย :

นิวรอลเน็ตเวิร์กเป็นแนวทางหนึ่งที่ถูกพัฒนาขึ้นเพื่อใช้ในการจำแนก ข้อมูล แต่ทั้งนี้สิ่งที่เป็นอุปสรรคต่อการพัฒนาความสามารถในการจำแนกข้อมูลคือ จำนวนข้อมูลปรับสอนที่มีจำกัดทำให้นิวรอลเน็ตเวิร์กไม่สามารถเรียนรู้ลักษณะของ ข้อมูลได้เพียงพอที่จะสามารถจำแนกข้อมูลให้ถูกต้องในระดับที่น่าเชื่อถือได้ โครงการวิจัยนี้เป็นการศึกษาแนวทางในการแก้ปัญหาจำนวนข้อมูลปรับสอนมีจำกัด ข้อมูลที่ใช้เป็นกรณีศึกษาในโครงการวิจัยนี้คือข้อมูล Control Chart Pattern Recognition และข้อมูลผู้ป่วยโรคหัวใจ จากสภาวะที่มีข้อมูลเพียงพอ จากนั้นชุดข้อมูลทั้งสองได้ถูกลดจำนวนลงในสัดส่วนที่ไม่เท่ากันในแต่ละคลาส ความถูกต้องในการจำแนกข้อมูลจากชุดข้อมูลที่จำกัดอยู่ในระดับที่ดีที่สุดคือ 83.33 % และ 83.00 % ตามลำดับ โครงการวิจัยนี้นำเสนอผลจากการประยุกต์แนวทาง Samples Duplication, Cross-validation, Leave-one-out cross validation และ Synergistic Neural Networks เพื่อทำการปรับปรุงประสิทธิภาพการจำแนกข้อมูลที่มีจำนวนจำกัด ดังกล่าว ผลของการวิจัยพบว่าแนวทาง Samples Duplication ที่ใช้ควบคู่ไปกับ แนวทาง Synergistic Neural Netwworks สามารถเพิ่มประสิทธิภาพการจำแนกข้อมูล Control Chart Pattern Recognition ได้ดีที่สุดและการประยุกต์ใช้แนวทาง Samples Duplication กับข้อมูลผู้ป่วยโรคหัวใจสามารถเพิ่มประสิทธิภาพการจำแนก ได้ดีที่สุดโดยให้ระดับค่าความถูกต้องในการจำแนกข้อมูลที่ 93.33 % และ 86.67 % ตามลำดับ

บรรณานุกรม :
อรสา เต็งศรีประเสริฐ . (2545). การพัฒนาประสิทธิภาพการจำแนกข้อมูลโดยนิวรอลเน็ตเวิร์ก ภายใต้ข้อมูลที่มีจำนวนจำกัด.
    กรุงเทพมหานคร : ฐานข้อมูลวิทยานิพนธ์ไทย.
อรสา เต็งศรีประเสริฐ . 2545. "การพัฒนาประสิทธิภาพการจำแนกข้อมูลโดยนิวรอลเน็ตเวิร์ก ภายใต้ข้อมูลที่มีจำนวนจำกัด".
    กรุงเทพมหานคร : ฐานข้อมูลวิทยานิพนธ์ไทย.
อรสา เต็งศรีประเสริฐ . "การพัฒนาประสิทธิภาพการจำแนกข้อมูลโดยนิวรอลเน็ตเวิร์ก ภายใต้ข้อมูลที่มีจำนวนจำกัด."
    กรุงเทพมหานคร : ฐานข้อมูลวิทยานิพนธ์ไทย, 2545. Print.
อรสา เต็งศรีประเสริฐ . การพัฒนาประสิทธิภาพการจำแนกข้อมูลโดยนิวรอลเน็ตเวิร์ก ภายใต้ข้อมูลที่มีจำนวนจำกัด. กรุงเทพมหานคร : ฐานข้อมูลวิทยานิพนธ์ไทย; 2545.