Open Access. Powered by Scholars. Published by Universities.®
Articles 31 - 60 of 99
Full-Text Articles in Statistics and Probability
การพัฒนาตัวบ่งชี้สมรรถนะการพยาบาลผู้สูงอายุ: การวิเคราะห์ความไม่แปรเปลี่ยน, ปภาวี ฐิติมโนวงศ์
การพัฒนาตัวบ่งชี้สมรรถนะการพยาบาลผู้สูงอายุ: การวิเคราะห์ความไม่แปรเปลี่ยน, ปภาวี ฐิติมโนวงศ์
Chulalongkorn University Theses and Dissertations (Chula ETD)
การวิจัยนี้มีวัตถุประสงค์ 1) เพื่อพัฒนาตัวบ่งชี้สมรรถนะการพยาบาลผู้สูงอายุ 2) เพื่อทดสอบความสอดคล้องของโมเดลการวัดสมรรถนะการพยาบาลผู้สูงอายุที่พัฒนาขึ้นกับข้อมูลเชิงประจักษ์ และ 3) เพื่อทดสอบความไม่แปรเปลี่ยนของโมเดลการวัดสมรรถนะการพยาบาลผู้สูงอายุที่พัฒนาขึ้นตามกลุ่มสถาบันในสังกัดกระทรวงกลาโหม และสังกัดกระทรวงสาธารณสุข ด้วยวิธีการประมาณค่าความน่าจะเป็นสูงสุด ตัวอย่างที่ใช้ในการวิจัยครั้งนี้ คือ นักศึกษาพยาบาล จำนวน 235 คน จากวิทยาลัยพยาบาลกองทัพบก และวิทยาลัยพยาบาลบรมราชชนนี พระพุทธบาท เครื่องมือที่ใช้ในงานวิจัยในครั้งนี้ ได้แก่ แบบประเมินตนเองของนักศึกษาพยาบาลต่อสมรรถนะการพยาบาลผู้สูงอายุ การวิเคราะห์ข้อมูลเพื่อประมาณค่าพารามิเตอร์ในโมเดลด้วยวิธีการประมาณค่าความน่าจะเป็นสูงสุด จากโปรแกรม LISREL 8.72 1. โมเดลการวัดสมรรถนะการพยาบาลผู้สูงอายุ ประกอบด้วย 4 องค์ประกอบ 12 ตัวบ่งชี้ ประกอบด้วย องค์ประกอบที่ 1 ความสามารถด้านความเข้าใจบุคคลและเหตุการณ์ แบ่งออกเป็น 3 ตัวบ่งชี้ ได้แก่ การประยุกต์ใช้ความรู้ ความสามารถในการสื่อสาร ความเข้าใจความเปลี่ยนแปลงของผู้สูงอายุ องค์ประกอบที่ 2 ความสามารถในการให้การพยาบาล แบ่งออกเป็น 3 ตัวบ่งชี้ ได้แก่ ความสามารถด้านการพยาบาล ทักษะการทำงานร่วมกับผู้อื่น และการปฏิบัติการพยาบาลด้วยหลักจริยธรรม องค์ประกอบที่ 3 ความสามารถด้านการเสริมสร้างพลังอำนาจ แบ่งออกเป็น 3 ตัวบ่งชี้ ได้แก่ การมีเจตคติที่ดีต่อผู้สูงอายุ การสนับสนุนให้ผู้สูงอายุมีการตัดสินใจและปฏิบัติในสิ่งที่เหมาะสม และฝึกทักษะและพัฒนาศักยภาพของผู้สูงอายุและครอบครัวในการดูแลตนเอง องค์ประกอบที่ 4 ความสามารถด้านการส่งเสริมสุขภาพและป้องกันโรค แบ่งออกเป็น 3 ตัวบ่งชี้ ได้แก่ การจัดกิจกรรมส่งเสริมให้กับผู้สูงอายุ ทักษะการให้คำปรึกษาทางสุขภาพ และทักษะการส่งเสริมความรู้ด้านสุขภาพและป้องกันโรค 2. โมเดลการวัดสมรรถนะการพยาบาลผู้สูงอายุสอดคล้องกับข้อมูลเชิงประจักษ์ (χ2(29)=37.94, p=.124, RMSEA=.036, CFI=.999, NFI=.995, NNFI=.997) โดยความสามารถในการให้การพยาบาลมีค่าน้ำหนักองค์ประกอบสูงที่สุด (B=.996) รองลงมาคือความสามารถด้านการเสริมสร้างพลังอำนาจ (B=.954) ความสามารถด้านการส่งเสริมสุขภาพและป้องกันโรค (B=.944) และความสามารถด้านความเข้าใจบุคคลและเหตุการณ์ (B=.862) ตามลำดับ 3. ผลการวิเคราะห์ความไม่แปรเปลี่ยนของโมเดลการวัดสมรรถนะการพยาบาลผู้สูงอายุของนักศึกษาพยาบาลในสังกัดกระทรวงกลาโหม และสังกัดกระทรวงสาธารณสุข พบว่าโมเดลไม่แปรเปลี่ยนตามสังกัดทั้งในรูปแบบและน้ำหนักองค์ประกอบ แต่พบว่าเมริกซ์ความแปรปรวน-ความแปรปรวนร่วมของพารามิเตอร์ความคลาดเคลื่อนจากการวัดแปรเปลี่ยนตามสังกัด
แนวทางการพัฒนากรอบความคิดเติบโตเพื่อส่งเสริมประสิทธิภาพในการเรียนออนไลน์ของนักเรียนมัธยมศึกษาตอนปลาย: การวิเคราะห์โมเดลสมการโครงสร้างพหุระดับ, วันวิสาข์ เสาว์สิงห์
แนวทางการพัฒนากรอบความคิดเติบโตเพื่อส่งเสริมประสิทธิภาพในการเรียนออนไลน์ของนักเรียนมัธยมศึกษาตอนปลาย: การวิเคราะห์โมเดลสมการโครงสร้างพหุระดับ, วันวิสาข์ เสาว์สิงห์
Chulalongkorn University Theses and Dissertations (Chula ETD)
การวิจัยนี้มีวัตถุประสงค์ดังนี้ 1) เพื่อสำรวจสภาพกรอบความคิดเติบโตในการเรียนออนไลน์ของนักเรียน 2) เพื่อวิเคราะห์อิทธิพลพหุระดับของปัจจัยที่ส่งผลต่อกรอบความคิดเติบโตในการเรียนออนไลน์ของนักเรียน และ 3) เพื่อเสนอแนวทางการพัฒนากรอบความคิดเติบโตในการเรียนออนไลน์ของนักเรียน ตัวอย่างวิจัยประกอบด้วยครูจำนวน 63 คน และนักเรียน จำนวน 1,201 คน กำหนดตัวอย่างด้วยวิธีการสุ่มแบบหลายขั้นตอนจากโรงเรียนในสังกัด สพฐ. เก็บข้อมูลเชิงปริมาณโดยใช้แบบสอบถามออนไลน์ 2 ฉบับ คือ แบบสอบถามสำหรับครูและสำหรับนักเรียน ส่วนข้อมูลสำหรับการออกแบบแนวทางการพัฒนากรอบความคิดเติบโตในการเรียนออนไลน์ของนักเรียนเก็บรวบรวมโดยใช้วิธีการสนทนากลุ่ม วิเคราะห์ข้อมูลโดยใช้สถิติบรรยายในการบรรยายสภาพกรอบความคิดเติบโตในการเรียนออนไลน์และปัจจัยต่าง ๆ ในขณะที่การวิเคราะห์อิทธิพลของปัจจัยที่ส่งผลต่อกรอบความคิดเติบโตในการเรียนออนไลน์ของนักเรียนจะวิเคราะห์ด้วยการวิเคราะห์โมเดลสมการโครงสร้างพหุระดับ (2 ระดับ) ส่วนข้อมูลเชิงคุณภาพจะวิเคราะห์ด้วยการวิเคราะห์เนื้อหา ผลการวิจัยพบว่ากรอบความคิดเติบโตในการเรียนออนไลน์ของนักเรียนภาพรวมอยู่ในระดับมาก เมื่อจำแนกตามขนาดโรงเรียนพบว่าโรงเรียนทุกขนาดมีกรอบความคิดเติบโตในการเรียนออนไลน์ของนักเรียนอยู่ในระดับมาก เมื่อพิจารณาผลการวิเคราะห์ MSEM พบว่าโมเดลสมการโครงสร้างพหุระดับของกรอบความคิดเติบโตในการเรียนออนไลน์ของนักเรียนสอดคล้องกับข้อมูลเชิงประจักษ์ (χ2 = 121.477, df = 66, p = .000, CFI = .996, TLI = .988, RMSEA = .026) ผลการวิเคราะห์ปัจจัยระดับนักเรียนพบว่าแรงจูงใจใฝ่สัมฤทธิ์มีอิทธิพลต่อกรอบความคิดเติบโตในการเรียนออนไลน์สูงที่สุด นอกจากนี้แรงจูงใจใฝ่สัมฤทธิ์ยังส่งผ่านอิทธิพลของการรับรู้ความสามารถของตนเองที่มีต่อกรอบความคิดเติบโตในการเรียนออนไลน์ ส่วนการสนับสนุนของเพื่อนมีอิทธิพลทางบวกในขณะที่การสนับสนุนของผู้ปกครองมีอิทธิพลทางลบต่อกรอบความคิดเติบโตในการเรียนออนไลน์อย่างมีนัยสำคัญที่ระดับ .05 ผลการวิเคราะห์ปัจจัยระดับครูพบว่าทั้งการจัดการเรียนรู้ของครูและการสนับสนุนของครูมีอิทธิพลต่อกรอบความคิดเติบโตในการเรียนออนไลน์ตามลำดับอย่างมีนัยสำคัญที่ระดับ .05 จากผลการวิจัยเชิงปริมาณและข้อมูลเชิงคุณภาพสามารถนำมาใช้ออกแบบแนวทางในการเรียนออนไลน์ของนักเรียนที่มุ่งเน้นการจัดการเรียนรู้เชิงรุก การประเมินระหว่างทาง และการให้ข้อมูลป้อนกลับ แนวทางที่นำเสนอในงานวิจัยครั้งนี้แบ่งเป็น 2 แนวทางย่อย คือ 1) การส่งเสริมการรับรู้ความสามารถของตนเองและแรงจูงใจใฝ่สัมฤทธิ์ผ่านกิจกรรมในชั้นเรียนออนไลน์ และ 2) การประสานความร่วมมือระหว่างบ้านและโรงเรียนในการส่งเสริมกรอบความคิดเติบโตในการเรียนออนไลน์
A Fairness Parameters Selection Method For Convex Fairness-Aware Classification Models, Puvarith Veerabulyarith
A Fairness Parameters Selection Method For Convex Fairness-Aware Classification Models, Puvarith Veerabulyarith
Chulalongkorn University Theses and Dissertations (Chula ETD)
Fairness-aware classification has emerged as a focal point in a wide range of machine learning applications. To address fairness issues such as demographic parity and disparate mistreatment, researchers have developed fair classifiers. A common approach for creating fairness-aware models involves formulating an optimization problem where fairness constraints are incorporated. However, the determination of optimal fairness constraint limits poses a significant challenge. In the first part of this paper, we explore the behavior of the fairness constraint limits on the model loss and the fairness metric. Next, we introduce a method for selecting suitable limits from a set of efficient limits …
A High-Dimensional Variable Selection Under Multicollinearity Via Whitening Elastic Net, Naphat Kanjanaphan
A High-Dimensional Variable Selection Under Multicollinearity Via Whitening Elastic Net, Naphat Kanjanaphan
Chulalongkorn University Theses and Dissertations (Chula ETD)
In high-dimensional data research such as genomics data, identifying predictors in highly correlated data poses significant challenges, especially when employing regularization methods. We found WLasso (Whitening Lasso), which effectively handles highly correlated settings by transforming predictors to mitigate correlation and applying generalized Lasso criteria. To ensure fairness in comparison with other regularization methods, we utilize a simplified version of WLasso, retaining its core concept while eliminating the coefficient ranking process. Our aim is to enhance WLasso performance by adapting it to the Generalized Elastic Net framework, resulting in Whitening Elastic Net. Leveraging the transformation process of WLasso, we integrate it …
การเปรียบเทียบประสิทธิภาพในการปรับปรุงคุณภาพของภาพด้วยวิธีระบบอนุมานฟัซซีและตัวกรองพื้นฐานในการจำแนกเนื้องอกสมองจากภาพเอ็มอาร์ไอ, กัทลี แก้วน่วม
การเปรียบเทียบประสิทธิภาพในการปรับปรุงคุณภาพของภาพด้วยวิธีระบบอนุมานฟัซซีและตัวกรองพื้นฐานในการจำแนกเนื้องอกสมองจากภาพเอ็มอาร์ไอ, กัทลี แก้วน่วม
Chulalongkorn University Theses and Dissertations (Chula ETD)
เนื้องอกสมองสามารถพบได้ทุกเพศทุกวัยและอาจส่งผลร้ายแรงถึงขั้นเสียชีวิตได้ โดยเนื้องอกสมองสามารถแบ่งได้ 3 ชนิดหลักๆ คือ เนื้องอกไกลโอมา เนื้องอกเยื่อหุ้มสมอง และเนื้องอกต่อมใต้สมอง การวินิจฉัยเนื้องอกสมองที่มีประสิทธิภาพและแพร่หลายในปัจจุบันคือการวินิจฉัยจากภาพเอ็มอาร์ไอแต่ยังมีข้อเสียคือมีสัญญาณรบกวนภายในภาพทำให้ประสิทธิภาพในงานวินิจฉัยลดลง งานวิจัยนี้เปรียบเทียบวิธีการปรับปรุงคุณภาพภาพเอ็มอาร์ไอเนื้องอกสมองที่จะช่วยเพิ่มประสิทธิภาพในการจำแนกชนิดเนื้องอกสมองเมื่อผ่านเรียนรู้ผ่านตัวแบบ Xception โดยวิธีที่นำมาเปรียบเทียบมี 4 วิธีได้แก่ ระบบอนุมานฟัซซี ตัวกรองมัธยฐาน ตัวกรองมัธยฐานแบบปรับตัวได้ และตัวกรองวีเนอร์ ชุดข้อมูลที่ใช้ในงานวิจัยนี้เป็นภาพเอ็มอาร์ไอจาก Nanfang Hospital and General Hospital, Tianjin Medical University ระหว่างปี 2005-2010 จำนวน 3,064 ภาพ พบว่าภาพเอ็มอาร์ไอเนื้องอกสมองที่ผ่านการปรับปรุงด้วยระบบอนุมานฟัซซีใช้ Mask ขนาด 3x3 มีประสิทธิภาพสูงสุด เนื่องจากให้ค่าความถูกต้อง เท่ากับ 0.9612 ค่าความครบถ้วนเท่ากับ 0.9627 และค่า F1-Score เท่ากับ 0.9602 ซึ่งสูงกว่าภาพเอ็มอาร์ไอเนื้องอกสมองที่ผ่านการปรับปรุงด้วยวิธีการอื่นๆรวมทั้งสูงกว่าภาพเอ็มอาร์เนื้องอกสมองที่ไม่ผ่านการปรับปรุงคุณภาพ ดังนั้นการปรับปรุงคุณภาพของภาพเอ็มอาร์ไอก่อนนำภาพไปวินิจฉัยจะช่วยเพิ่มประสิทธิภาพในการจำแนกเนื้องอกสมองให้มีความถูกต้องเพิ่มขึ้น
การศึกษาประสิทธิกาพการกำหนดช่วงเวลาการซ่อมบำรุงแบบปรับเปลี่ยน จากข้อมูลที่มาจากการแจกแจงไวบูลล์, ณัฐพงศ์ อนันต์อาชญาสิทธิ์
การศึกษาประสิทธิกาพการกำหนดช่วงเวลาการซ่อมบำรุงแบบปรับเปลี่ยน จากข้อมูลที่มาจากการแจกแจงไวบูลล์, ณัฐพงศ์ อนันต์อาชญาสิทธิ์
Chulalongkorn University Theses and Dissertations (Chula ETD)
งานวิจัยนี้มีวัตถุประสงค์ดังนี้(1)เพื่อเปรียบเทียบค่าใช้จ่ายในการซ่อมบำรุงแบบปรับเปลี่ยน (Adaptive Maintenance) จากการกำหนดช่วงการซ่อมบำรุงโดยใช้เปอร์เซ็นต์ไทล์ของอุปกรณ์ที่มีการแจกแจงแบบไวบูลล์ และ(2)เพื่อเปรียบเทียบประสิทธิภาพในการประมาณค่าพารามิเตอร์จากข้อมูลที่ถูกตัดทิ้ง โดยใช้ค่า MSE ในการเปรียบเทียบประสิทธิภาพ โดยการศึกษามีขั้นตอนดังนี้ 1. ใช้ข้อมูลจำลองที่มาจากการแจกแจงไวบูลล์ (Weibull distributions) ซึ่งมีอัตราการเสีย (Failure Rate) ที่แตกต่างกัน, 2. ช่วงเวลาซ่อมบำรุงคำนวณจากค่าเปอร์เซ็นไทล์ ตั้งแต่เปอร์เซ็นไทล์ที่ 5, 10, ... ถึง 95 3. เปรียบเทียบค่าใช้จ่าย ด้วยอัตราส่วนค่าใช้จ่ายระหว่างการซ่อมบำรุงเชิงแก้ไข (corrective maintenance)และการซ่อมบำรุงเชิงป้องกัน (maintenance preventive) 4.กำหนดเวลาในการสังเกตุโดยรวม 100 หน่วยเวลา ผลการวิจัยประกอบด้วย(1)เมื่อพิจารณาค่าใช้จ่ายซ่อมบำรุงจากข้อมูลแสดงอัตราการเสียที่ลดลง และ คงที่ตามเวลา การใช้เปอร์เซ็นต์ไทล์ที่ 95 จะมีค่าใช้จ่ายซ่อมบำรุงที่น้อยที่สุดเมื่อเปรียบเทียบกับการใช้เปอร์เซ็นต์ไทล์ค่าอื่นในสัดส่วนค่าใช้จ่ายเดียวกัน แต่ในกรณีที่ข้อมูลแสดงอัตราการเสียเพิ่มขึ้นตามเวลา ค่าใช้จ่ายซ่อมบำรุงที่น้อยที่สุด จะขึ้นอยู่กับสัดส่วนค่าใช้จ่ายและการเลือกใช้เปอร์เซ็นต์ไทล์ และ(2)ประสิทธิภาพในการประมาณค่าพารามิเตอร์ ในทุกกรณีของข้อมูลแสดงอัตราการเสียลดลง คงที่ และเพิ่มขึ้นตามเวลา การใช้เปอร์เซ็นต์ไทล์ที่มีค่าสูง จะทำให้การประมาณมีประสิทธิภาพสูงสุด (ค่า MSE มีค่าน้อยที่สุด)
การเปรียบเทียบการจำแนกเม็ดเลือดแดงที่ติดเชื้อมาลาเรียด้วยโครงข่ายคอนโวลูชันโดยใช้เครื่องมือเพิ่มประสิทธิภาพที่แตกต่างกัน, นิชาภัทร บุญดิเรก
การเปรียบเทียบการจำแนกเม็ดเลือดแดงที่ติดเชื้อมาลาเรียด้วยโครงข่ายคอนโวลูชันโดยใช้เครื่องมือเพิ่มประสิทธิภาพที่แตกต่างกัน, นิชาภัทร บุญดิเรก
Chulalongkorn University Theses and Dissertations (Chula ETD)
มาลาเรียเป็นปัญหาสาธารณสุขระดับโลกที่สำคัญ การวินิจฉัยมาลาเรียในปัจจุบันใช้เทคนิคการตรวจสเมียร์เลือดด้วยฟิล์ม ซึ่งเป็นวิธีที่ได้รับการยอมรับมากที่สุด แต่ก็มักใช้เวลานานและเสี่ยงต่อความผิดพลาด ปัจจุบันได้มีการนำการเรียนรู้ของเครื่องมาจำแนกภาพทางการแพทย์ซึ่งทำได้อย่างรวดเร็วและแม่นยำ โครงข่ายประสาทเทียมแบบคอนโวลูชั่น เป็นเทคนิคการเรียนรู้เชิงลึกที่ถูกใช้กันอย่างแพร่หลายในด้านการประมวลผลภาพ โดยใช้ร่วมกับการเรียนรู้แบบถ่ายทอด ซึ่งช่วยลดเวลาที่ใช้ในการพัฒนาแบบจำลอง การศึกษาครั้งนี้ได้ทำการศึกษาผลของเครื่องมือเพิ่มประสิทธิภาพต่อประสิทธิภาพในการการจำแนกเม็ดเลือดแดงที่ติดเชื้อมาลาเรีย โดยใช้โครงข่ายประสาทเทียมแบบคอนโวลูชั่นควบคู่กับการเรียนรู้แบบถ่ายทอดจากแบบจำลองที่ได้รับการฝึกอบรมมาล่วงหน้า 3 แบบ คือ InceptionV3 EfficientNetB0 และ ConvNeXtTiny ร่วมกับการใช้เครื่องมือเพิ่มประสิทธิภาพ ที่แตกต่างกัน คือ SGD with Momentum, RMSProp และ ADAM กับรูปภาพเซล์เม็ดเลือดแดงจำนวน 27,558 ภาพ ซึ่งประกอบด้วยรูปภาพของเซลล์เม็ดเลือดแดงที่ติดเชื้อ และรูปภาพของเซลล์เม็ดเลือดแดงที่ไม่ติดเชื้อประเภทละ 13,779 ภาพ จากการศึกษาพบว่าแบบจำลอง EfficientNetB0 ที่ใช้ร่วมกับ ADAM มีประสิทธิภาพสูงสุด โดยมีการสูญเสียโดยเฉลี่ยน้อยที่สุด เท่ากับ 0.1043 มีค่าความแม่น ค่าความเที่ยง ค่าความไว ค่า F1-score และค่าความจำเพาะโดยเฉลี่ยสูงที่สุด เท่ากับ 0.9638, 0.9581, 0.9700, 0.9640 และ 0.9576 ตามลำดับ ในการศึกษานี้ การใช้ EfficientNetB0 ร่วมกับ ADAM ได้ผลลัพธ์ที่ดีที่สุด
ประสิทธิภาพของแบบจำลองโครงสร้างผสมระหว่างแบบจำลองหน่วยความจำระยะสั้นแบบยาวและแบบจำลองโครงข่ายประตูวกกลับสำหรับการพยากรณ์ระยะยาวของราคาปิดหุ้น, ธนกฤต เถรว่อง
Chulalongkorn University Theses and Dissertations (Chula ETD)
การวิจัยนี้มีวัตถุประสงค์เพื่อวัดประสิทธิภาพของตัวแบบการเรียนรู้เชิงลึกโครงสร้างผสม GRU-LSTMในการพยากรณ์ระยะราคาปิดหุ้นระยะยาวในอีก 30 วันข้างหน้า โดยมีตัวแบบโครงข่ายระบบประสาทย้อนกลับ,ตัวแบบจำลองหน่วยความจำระยะสั้นแบบยาวและตัวแบบจำลองโครงข่ายประตูวกกลับ ในการร่วมเปรียบเทียบประสิทธิภาพการพยากรณ์ราคาปิดระยะยาว ภายใต้หุ้นใน SET50 ซึ่งในงานวิจัยนี้หุ้นจะถูกเลือกมาจากกลุ่มหุ้นที่มีลักษณะความผันผวนที่แตกต่างกันได้แก่ กลุ่มหุ้นที่มีความผันผวนต่ำ ADVANC BDMS กลุ่มหุ้นที่มีความผันผวนกลาง CPALL MINT กลุ่มหุ้นที่มีความผันผวนสูง SAWAD DELTA โดยข้อมูลของหุ้นแต่ละตัวถูกเก็บตั้งแต่เดือน ตุลาคม พ.ศ. 2561 ถึง กันยายน พ.ศ. 2566 (5 ปีย้อนหลัง) ซึ่งขั้นตอนการแบ่งข้อมูลของงานวิจัยนี้แบ่งเป็น 3 ส่วน ได้แก่ ข้อมูลชุดฝึกฝนตัวแบบ, ข้อมูลตรวจสอบ , ข้อมูลชุดทดสอบตัวแบบ โดยขั้นตอนการสร้างตัวแบบการเรียนรู้เชิงลึกในแต่ละชนิด ได้ใช้วิธีการทำไฮเปอร์พารามิเตอร์จูนนิ่งเพื่อหาชุดไฮเปอร์พารามิเตอร์ที่เหมาะสมที่สุดในแต่ละตัวแบบจากวิธีการค้นหาแบบสุ่ม ผลการวิจัยพบว่าเมื่อใช้ค่าคลาดเคลื่อนเฉลี่ยกำลังสองเป็นเกณฑ์ในการวัดประสิทธิภาพการพยากรณ์ระยะยาวของตัวแบบการเรียนรู้เชิงลึก ตัวแบบโครงสร้างผสม GRU-LSTM ไม่ได้มีประสิทธิภาพการพยากรณ์ระยะยาวสูงกว่าตัวแบบโครงสร้างเดี่ยวเสมอไป ตัวแบบโครงสร้างผสม GRU-LSTM มีประสิทธิภาพการพยากรณ์ระยะยาวสูงกว่าตัวแบบโครงสร้างเดี่ยว GRU และ LSTM ในหุ้นกลุ่มที่มีระดับความผันผวนต่ำ ซึ่งตัวแบบโครงสร้างผสม GRU-LSTM ให้ประสิทธิพยากรณ์ระยะยาวที่ค่อนข้างดีเมื่อเทียบกับเวลาที่ใช้ในการฝึกฝนตัวแบบ
การเปรียบเทียบประสิทธิภาพของการประมาณค่าสัมประสิทธิ์การถดถอยเชิงเส้นด้วยวิธีการลาสโซที่มีความแกร่งภายใต้ข้อมูลมิติสูงที่มีค่านอกเกณฑ์, อัญชิษฐา ศรีภา
การเปรียบเทียบประสิทธิภาพของการประมาณค่าสัมประสิทธิ์การถดถอยเชิงเส้นด้วยวิธีการลาสโซที่มีความแกร่งภายใต้ข้อมูลมิติสูงที่มีค่านอกเกณฑ์, อัญชิษฐา ศรีภา
Chulalongkorn University Theses and Dissertations (Chula ETD)
งานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพการประมาณค่าสัมประสิทธิ์การถดถอยทั้งหมด 5 วิธี คือ 1) วิธีการลาสโซแบบปรับได้ที่ใช้ค่าถ่วงน้ำหนักด้วยวิธีการริดจ์ (AD-R) 2) วิธีการลาสโซแบบปรับได้ที่ใช้ค่าถ่วงน้ำหนักด้วยวิธีการลาสโซ (AD-L) 3) วิธีการ LAD Lasso (LAD) 4) วิธีการ Huber Lasso (HB) 5) วิธีการลาสโซแบบปรับได้ที่มีความแกร่ง (RA) ภายใต้ข้อมูลมิติสูง ผ่านข้อมูลจำลองใน 4 กรณีคือ (i) กรณีที่ไม่มีปัญหาค่านอกเกณฑ์ มีค่านอกเกณฑ์ขนาดปานกลางในตัวแปรตาม และมีค่านอกเกณฑ์ขนาดใหญ่ในตัวแปรตาม (ii) กรณีที่ตัวแปรอิสระมีความสัมพันธ์ระดับปานกลางและสูง (iii) กรณีอัตราส่วนสัญญาณต่อสัญญาณรบกวน (SNR) สูงและต่ำ (iv) ขนาดตัวแปรอิสระที่แตกต่างกัน ในการเปรียบเทียบประสิทธิภาพจะพิจารณาความถูกต้องในการพยากรณ์ รวมถึงประสิทธิภาพในการคัดเลือกตัวแปรเข้าสู่ตัวแบบ ผลการศึกษาพบว่า ในด้านความถูกต้องในการพยากรณ์ ในกรณีที่ข้อมูลไม่มีปัญหาค่านอกเกณฑ์ เมื่อตัวแปรมีความสัมพันธ์ระดับสูง AD-R ความสามารถในการพยากรณ์ดีที่สุดในภาพรวม และเมื่อตัวแปรมีความสัมพันธ์ระดับปานกลาง AD-L จะมีความสามารถในการพยากรณ์ดีที่สุดในเกือบทุกกรณี แต่เมื่อข้อมูลมีค่านอกเกณฑ์ขนาดกลาง วิธีการ Huber Lasso มีประสิทธิภาพในการพยากรณ์ดีที่สุดในหลายกรณี ในขณะที่ LAD Lasso จะมีความประสิทธิภาพในการพยากรณ์ดีที่สุดในเกือบทุกกรณีที่ข้อมูลมีค่านอกเกณฑ์ขนาดใหญ่ สำหรับประสิทธิภาพในการคัดเลือกตัวแปรเข้าสู่ตัวแบบ พบว่าในภาพรวม ค่าเฉลี่ยของความแม่นยำและความจำเพาะของวิธีการ AD-L จะมีค่าสูงที่สุดในหลายกรณี แต่เมื่อตัวแปรอิสระมีความสัมพันธ์กันสูง วิธีการ RA จะมีค่าเฉลี่ยความแม่นยำและความจำเพาะสูงสุดในหลายกรณี ในขณะที่ค่าเฉลี่ยของค่าความระลึกของวิธีการ AD-R จะมีค่าเฉลี่ยสูงที่สุดในเกือบทุกกรณีที่ SNR ต่ำและตัวแปรมีความสัมพันธ์กันสูง ส่วนกรณีที่ SNR สูงและตัวแปรมีความสัมพันธ์กันระดับปานกลาง Huber Lasso และ LAD Lasso จะมีค่าเฉลี่ยของค่าความระลึกสูงที่สุด
Binary And Multi-Label Machine Learning Models For Discrete-Time Survival Analysis: A Case Study To Predict Complications And Mortality In Thai Diabetic Patients, Heng Chheang
Chulalongkorn University Theses and Dissertations (Chula ETD)
In this research, we address the issue of predicting complications among Thai diabetic patients, considering the interconnected nature of these complications. Noncommunicable diseases (NCDs) such as Type-I and Type-II diabetes impose a significant global health burden, with major complications such as cardiovascular disease being the leading cause. Early detection of complications is crucial, and survival analysis emerges as a key method for this task. While classical approaches focus on continuous-time survival prediction, the advancement of machine learning has enabled the development of discrete-time survival classification. This thesis conducts a comprehensive analysis of survival prediction for Diabetes-related complications, employing six machine …
การเปรียบเทียบวิธีการใส่ค่าข้อมูลสูญหายแบบนอนอิกนอร์เรเบิลในการวิเคราะห์อนุกรมเวลาที่มีคุณสมบัติคงที่ภายใต้ค่าคลาดเคลื่อนที่มีการแจกแจงแบบแกมม่า, ณภัทร เตชะมานะพงษ์
การเปรียบเทียบวิธีการใส่ค่าข้อมูลสูญหายแบบนอนอิกนอร์เรเบิลในการวิเคราะห์อนุกรมเวลาที่มีคุณสมบัติคงที่ภายใต้ค่าคลาดเคลื่อนที่มีการแจกแจงแบบแกมม่า, ณภัทร เตชะมานะพงษ์
Chulalongkorn University Theses and Dissertations (Chula ETD)
การศึกษาครั้งนี้มีจุดประสงค์เพื่อศึกษา และ เปรียบเทียบวิธีการใส่ค่าสูญหายต่างๆเพื่อแก้ปัญหาการสูญหายแบบนอนอิกนอร์เรเบิลในข้อมูลอนุกรมเวลาที่มีคุณลักษณะคงที่ ภายใต้ค่าคลาดเคลื่อนที่มีการแจกแจงแบบแกมม่า โดยวิธีการใส่ค่าสูญหายที่ทำการศึกษาได้แก่ Mean Imputation, Median Imputation, Last Observation Carried Forward (LOCF), Linear Interpolation, Expectation-Maximization (EM) Algorithm โดยได้ทำการศึกษาประสิทธิภาพของวิธีการใส่ค่าสูญหายภายใต้สถานการณ์ที่มีการควบคุมปัจจัยต่างๆ ได้แก่ ค่าความแปรปรวน และ สัมประสิทธิ์ความเบ้ของค่าคลาดเคลื่อนในตัวแบบอนุกรมเวลา, ขนาดตัวอย่าง, สัมประสิทธิ์อัตถดถอยอันดับที่ 1, สัดส่วนการสูญหาย และ ระดับการสูญหายแบบนอนอิกนอร์เรเบิล และวัดประสิทธิภาพด้วยค่าเฉลี่ยของรากที่สองของค่าเฉลี่ยค่าคลาดเคลื่อนกำลังสอง (Average Root Mean Square Error : ARMSE) โดยวิธีการที่ให้ค่า ARMSE น้อยที่สุดจะมีประสิทธิภาพสูงที่สุด ผลการวิจัยพบว่า (i) วิธี Linear Interpolation เป็นวิธีการใส่ค่าสูญหายที่ดีที่สุดในกรณีส่วนใหญ่ (ii) วิธี EM จะมีประสิทธิภาพเหนือวิธี Linear Interpolation และ LOCF เมื่อมีขนาดตัวอย่างมากพอ (iii) การเพิ่มขึ้นของความเบ้ในข้อมูลอนุกรมเวลามีส่วนช่วยในการปรับปรุงประสิทธิภาพของวิธีการใส่ค่าสูญหายเมื่อข้อมูลอนุกรมเวลามีการสูญหายแบบนอนอิกนอร์เรเบิล
การเปรียบเทียบวิธีการคัดเลือกตัวแปรแบบรวมกลุ่ม สำหรับข้อมูลที่มีลักษณะการจำแนกแบบไบนารี, กรชนก ชมเชย
การเปรียบเทียบวิธีการคัดเลือกตัวแปรแบบรวมกลุ่ม สำหรับข้อมูลที่มีลักษณะการจำแนกแบบไบนารี, กรชนก ชมเชย
Chulalongkorn University Theses and Dissertations (Chula ETD)
งานศึกษานี้เปรียบเทียบวิธีการคัดเลือกตัวแปรแบบเดียว (Single-Feature Selection) และแบบรวมกลุ่ม (Ensemble Feature Selection) ซึ่งแบ่งเป็น 2 รูปแบบคือ รูปแบบการรวมลำดับความสำคัญของตัวแปรแล้วตามด้วยการเลือกจำนวนตัวแปรที่มีความสำคัญตามเกณฑ์ที่ระบุ (Design CT: Combination followed by Thresholding) และรูปแบบการการเลือกจำนวนตัวแปรที่มีความสำคัญตามเกณฑ์ที่ระบุแล้วตามด้วยการรวมเซตของตัวแปรที่มีความสำคัญดังกล่าว (Design TC: Thresholding followed by Combination) ผู้ศึกษาได้ใช้การคัดเลือกตัวแปรจากประเภท Filter Wrapper และ Embedded โดยใช้ 10-fold cross validation ในการเปรียบเทียบค่าเฉลี่ยของ F1-score แทนประสิทธิภาพการทำนายและค่าเบี่ยงเบนของ F1-score แทนค่าความเสถียรของการทำนาย ผ่านข้อมูล 3 ชุดได้แก่ Parkinson's Disease dataset (จำนวนตัวแปรต้น(P)=ขนาดข้อมูล(N)), LSVT Voice Rehabilitation dataset (P>N) และ Colon Cancer dataset (P>>N) ใช้ XGBoost เป็นตัวแบบทำนาย จากการศึกษาภายใต้ขอบเขตดังกล่าวพบว่า การคัดเลือกตัวแปรแบบวิธีเดียวด้วย RFE จะให้ผลดีในชุดข้อมูลที่มีมิติมาก P>>N ในเกณฑ์ 2.5% 5% และ 10% แต่การคัดเลือกแบบรวมกลุ่มจะให้ผลการทำนายที่ต่างกันภายใต้ลักษณะมิติของชุดข้อมูลและเกณฑ์ที่เลือกใช้ สำหรับการรวมลำดับความสำคัญของตัวแปรในรูปแบบ Design CT ด้วยค่ากลางและค่าเฉลี่ยเลขคณิตที่เกณฑ์ log2(P) จะให้ผลการทำนายดีกว่าวิธีอื่นใน Design CT ในชุดข้อมูล P>>N แต่สำหรับชุดข้อมูล P=N และ P>N ผลการทำนายจากแต่ละวิธีใน Design CT เพิ่มประสิทธิภาพการทำนายเล็กน้อย และสำหรับ Design TC การรวมเซตของตัวแปรต้นที่มีความสำคัญด้วยวิธีอินเตอร์เซกและมัลติอินเตอร์เซกจะให้ผลดีกว่าวิธียูเนียน สำหรับชุดข้อมูล P>>N ในทุกเกณฑ์ …
การปรับปรุงความสามารถในการพยากรณ์แบบไบนารี่โดยใช้การเรียนรู้เมตาแบบถ่วงน้ำหนักแบบปรับสำหรับการจำแนกความยากจนระดับครัวเรือนในประเทศไทย, ธารินทร์ สุขเนาว์
การปรับปรุงความสามารถในการพยากรณ์แบบไบนารี่โดยใช้การเรียนรู้เมตาแบบถ่วงน้ำหนักแบบปรับสำหรับการจำแนกความยากจนระดับครัวเรือนในประเทศไทย, ธารินทร์ สุขเนาว์
Chulalongkorn University Theses and Dissertations (Chula ETD)
งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาปัจจัยที่มีความสัมพันธ์กับความยากจนในระดับครัวเรือนและเสนอวิธีการเปรียบเทียบและปรับปรุงความสามารถในการพยากรณ์แบบไบนารี่โดยใช้การเรียนรู้เมตาแบบถ่วงน้ำหนักแบบปรับจากการคำนวนค่าถ่วงน้ำหนักวิธีที่ดีที่สุดสำหรับการจำแนกความยากจนระดับครัวเรือนในประเทศไทย โดยนำเสนอวิธีการสองขั้นตอน คือนำตัววัดประสิทธิภาพการทำนายมาใช้ในการคำนวณค่าถ่วงน้ำหนักแบบปรับ ซึ่งนำมาใช้เสมือนเป็นค่าถ่วงน้ำหนักเริ่มต้นที่ให้กับแต่ละตัวแบบ จากนั้นจึงทำนายผลด้วยวิธีการวิเคราะห์การถดถอยลอจิสติกอีกขั้นตอนหนึ่ง งานวิจัยนี้ศึกษาการคำนวณค่าถ่วงน้ำหนักแบบปรับจากตัววัดประสิทธิภาพการทำนายใน 3 กรณี ได้แก่ 1. การใช้ค่า AUC 2. การใช้ค่า F1-Score โดยพิจารณาจุดตัด 0.5 และ 3. การใช้ค่า F1-Score โดยพิจารณาค่าจุดตัดที่เหมาะสมที่สุดจากดัชนีโยเดนที่สูงสุด นอกจากนี้ เนื่องจากชุดข้อมูลสำรวจประชากรรายครัวเรือนในระดับพื้นที่มีความไม่สมดุลของระดับความยากจน จึงใช้เทคนิค SMOTE ในการจัดการกับข้อมูลที่ไม่สมดุล ทั้งนี้ ผู้วิจัยได้ทำการเปรียบเทียบผลลัพธ์จากชุดข้อมูลก่อนและหลังใช้เทคนิค SMOTE ผลการศึกษาพบว่า ปัจจัยที่มีความสัมพันธ์กับความยากจนในระดับครัวเรือนสูงมีหลายปัจจัย อาทิ อายุของหัวหน้าครัวเรือน จำนวนผู้ที่ได้รับบัตรสวัสดิการแห่งรัฐในครัวเรือน,ค่าใช้จ่ายเพื่อการบริโภคในครัวเรือน เป็นต้น และวิธีการคำนวณค่าถ่วงน้ำหนักแบบปรับจากตัววัดประสิทธิภาพ F1-Score ที่จุดตัด 0.5 มีประสิทธิภาพสูงสุดจากการพิจารณาด้วยค่าความแม่นยำในชุดข้อมูลตั้งต้นก่อนใช้เทคนิค SMOTE อย่างไรก็ตาม จากการทดสอบในชุดข้อมูลที่มีการจัดการกับข้อมูลที่ไม่สมดุลด้วยวิธี SMOTE พบว่า ประสิทธิภาพในการทำนายไม่ปรากฏว่าวิธีการคำนวณค่าถ่วงน้ำหนักแบบปรับจากตัววัดประสิทธิภาพแบบใดแบบหนึ่งที่มีประสิทธิภาพสูงสุดอย่างชัดเจน
การจำลองข้อมูลเพื่อประเมินประสิทธิภาพของการเลือกตัวอย่างแบบมีระบบชนิดผสม, นภสร รัตนวุฒิขจร
การจำลองข้อมูลเพื่อประเมินประสิทธิภาพของการเลือกตัวอย่างแบบมีระบบชนิดผสม, นภสร รัตนวุฒิขจร
Chulalongkorn University Theses and Dissertations (Chula ETD)
งานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของตัวประมาณค่าเฉลี่ยที่ได้จากการเลือกตัวอย่างแบบมีระบบชนิดผสม (Mixed Systematic Random Sampling : MRSS) กับการเลือกตัวอย่างแบบมีระบบชนิดวงกลม (Circular Systematic Sampling : CSS) และการเลือกตัวอย่างแบบมีระบบโดยใช้ช่วงเศษส่วน (Fractional Interval) สำหรับกรณีช่วงของการเลือกตัวอย่างไม่เป็นจำนวนเต็ม เมื่อประชากรมีแนวโน้มเชิงเส้น ด้วยค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (Mean Square Error : MSE) และเปรียบเทียบประสิทธิภาพของการเลือกตัวอย่างแบบมีระบบทั้ง 3 วิธีด้วยค่าประสิทธิภาพสัมพัทธ์ (Relative Efficiency : RE) โดยการจำลองข้อมูลของประชากรเป็น 3 ขนาด แบ่งเป็น ขนาดเล็กหลักร้อย ได้แก่ 300, 500 และ 700 ขนาดกลางหลักพัน ได้แก่ 3,000, 5,000 และ 7,000 ขนาดใหญ่หลักหมื่น ได้แก่ 30,000, 50,000 และ 70,000 ด้วยโปรแกรม R กำหนดขนาดตัวอย่างที่ทำให้สัดส่วนระหว่างขนาดประชากรและขนาดตัวอย่างไม่เป็นจำนวนเต็ม ทำซ้ำทั้งหมด 1,000 ครั้ง พบว่าการเลือกตัวอย่างแบบมีระบบด้วยวิธี MRSS มีค่า MSE สูงกว่าการเลือกตัวอย่างอีกทั้ง 2 วิธี แต่เมื่อค่า g = 2 จะทำให้ค่าของ MSE ของการเลือกตัวอย่างทั้ง 3 วิธีมีค่ามากขึ้น โดยที่ค่า MSE ของการเลือกตัวอย่างแบบมีระบบชนิดผสมมีค่าต่ำกว่าการเลือกตัวอย่างแบบมีระบบชนิดวงกลมและวิธีใช้ช่วงเศษส่วน ทั้งนี้เป็นผลเนื่องมาจากค่า g เป็นค่าที่กำหนดความเป็นเชิงเส้น เมื่อค่า g เพิ่มมากขึ้น ความเป็นเชิงเส้นของประชากรจะลดลง ทำให้ตัวประมาณค่าเฉลี่ยตัวอย่างที่คำนวณได้มีค่าต่างจากค่าเฉลี่ยประชากรมากตามไปด้วย จึงสามารถสรุปได้ว่าตัวประมาณค่าเฉลี่ยที่ได้จากวิธีการเลือกตัวอย่างแบบมีระบบชนิดผสม มีแนวโน้มที่จะให้ค่า MSE สูงที่สุด เมื่อเทียบกับการเลือกตัวอย่างแบบมีระบบชนิดวงกลมและการเลือกตัวอย่างแบบมีระบบโดยใช้ช่วงเศษส่วน
การเปรียบเทียบอัลกอริทึมระหว่างการสุ่มตัวอย่างแบบทอมสันและอัลกอริทึมความเชื่อมั่นขอบเขตบน สำหรับการเรียนรู้แบบเสริมแรงในเกมเป่ายิ้งฉุบ, ธันยวุฒิ อักขระสมชีพ
การเปรียบเทียบอัลกอริทึมระหว่างการสุ่มตัวอย่างแบบทอมสันและอัลกอริทึมความเชื่อมั่นขอบเขตบน สำหรับการเรียนรู้แบบเสริมแรงในเกมเป่ายิ้งฉุบ, ธันยวุฒิ อักขระสมชีพ
Chulalongkorn University Theses and Dissertations (Chula ETD)
งานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพระหว่างอัลกอริทึมการสุ่มตัวอย่างแบบทอมสันและอัลกอริทึมความเชื่อมั่นขอบเขตบน ในตัวแบบการเรียนรู้แบบเสริมแรงกับการตัดสินใจเชิงพฤติกรรมของมนุษย์ ทั้งสองอัลกอริทึมเป็นอัลกอริทึมที่มีประสิทธิภาพในการแก้ไขปัญหาแบนดิทหลายแขน แต่ไม่ชัดเจนว่าทั้งสองอัลกอริทึมจะมีประสิทธิภาพอย่างไรกับปัญหาการตัดสินใจเชิงพฤติกรรมของมนุษย์ที่ความซับซ้อนทางด้านพฤติกรรม งานวิจัยนี้จำลองเกมเป่ายิ้งฉุบแทนปัญหาการตัดสินใจของมนุษย์ โดยมีองค์ประกอบเชิงพฤติกรรม 2 องค์ประกอบ คือ พฤติกรรมการใช้กลยุทธตามเข็มนาฬิกาแบบผสม และพฤติกรรมการใช้กลยุทธยุติการสูญเสีย โดยตัวแบบเกมเป่ายิ้งฉุบถูกจำลองขึ้นตามกระบวนการตัดสินใจแบบมาร์คอฟ ตัวแทนตัวแบบจากทั้งสองอัลกอริทึมจะแก้ไขปัญหาดังกล่าวและวัดประสิทธิภาพด้วยผลรางวัลสะสมภายใต้เงื่อนไขการจำลองในรูปแบบต่าง ๆ ผลการเปรียบเทียบประสิทธิภาพพบว่า ตัวแทนตัวแบบจากอัลกอริทึมความเชื่อมั่นขอบเขตบนมีประสิทธิภาพดีกว่าตัวแทนตัวแบบจากอัลกอริทึมการสุ่มตัวอย่างแบบทอมสันในการจำลองส่วนใหญ่ ยกเว้นกรณีการจำลองที่รูปแบบพฤติกรรมของมนุษย์มีความชัดเจนเป็นระยะเวลายาว ตัวแทนตัวแบบจากอัลกอริทึมการสุ่มตัวอย่างแบบทอมสันมีประสิทธิภาพดีกว่าตัวแทนตัวแบบจากอัลกอริทึมความเชื่อมั่นขอบเขตบน
การพัฒนาเวิร์กโฟลว์สําหรับตัวแบบต้นไม้จําแนกประเภทที่ดีที่สุด, พงศ์ทวัส ฮั่นวัฒนวงศ์
การพัฒนาเวิร์กโฟลว์สําหรับตัวแบบต้นไม้จําแนกประเภทที่ดีที่สุด, พงศ์ทวัส ฮั่นวัฒนวงศ์
Chulalongkorn University Theses and Dissertations (Chula ETD)
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาเวิร์กโฟลว์สำหรับสร้างต้นไม้จำแนกประเภทที่ดีที่สุด ด้วยตัวแบบเชิงเส้นจำนวนเต็มแบบผสม ทำการประเมินประสิทธิภาพของตัวแบบต้นไม้จำแนกประเภทที่ดีที่สุดบนชุดข้อมูลเยอรมันเครดิต และขยายตัวแบบให้รองรับชุดข้อมูลที่ตัวแปรต้นมีค่าสูญหายจำนวนมาก จากการพัฒนาเวิร์กโฟลว์พบว่าการสร้างต้นไม้จำแนกประเภทที่ดีที่สุดโดยใช้ตัวแบบเชิงเส้นจำนวนเต็มแบบผสมในงานวิจัยของ Lin และ Tang (2021) และกำหนดค่าพารามิเตอร์ความซับซ้อนตั้งต้นเป็นค่าบวกใกล้เคียงศูนย์ให้ผลลัพธ์เป็นที่น่าพอใจ จากการเปรียบเทียบประสิทธิภาพระหว่างตัวแบบต้นไม้จําแนกประเภทที่ดีที่สุดกับต้นไม้ตัดสินใจบนชุดข้อมูลเยอรมันเครดิต พบว่าต้นไม้จำแนกประเภทที่ดีที่สุดให้อัตราความถูกต้องสูงกว่าต้นไม้ตัดสินใจทั้งบนชุดข้อมูลสร้างตัวแบบและบนชุดข้อมูลทวนสอบ 0.4% ถึง 3.2% ข้อดีของการพัฒนาเวิร์กโฟลว์โดยใช้โปรแกรมหาคำตอบสำหรับปัญหาเชิงเส้นจำนวนเต็มแบบผสม คือความสามารถในการขยายตัวแบบให้รองรับเงื่อนไขเพิ่มเติมได้ ในงานวิจัยนี้จึงเสนอตัวแบบต้นไม้จำแนกประเภทที่ดีที่สุดที่ถูกขยายให้รองรับชุดข้อมูลที่มีตัวแปรต้นสูญหายจำนวนมาก และแสดงให้เห็นว่าตัวแบบที่ถูกขยายสามารถทำงานอย่างมีประสิทธิผลบนเวิร์กโฟลว์ที่พัฒนาขึ้น
การศึกษาเปรียบเทียบตัวแบบจำลองการถดถอยโดยความไม่แน่นอนเพื่อลดเวลาในกระบวนการทดสอบวัดค่ากระแสไฟฟ้าเขียนที่เหมาะสมที่สุดของฮาร์ดไดรฟ์, ภัทรดิศ ดำรงค์ศักดิ์
การศึกษาเปรียบเทียบตัวแบบจำลองการถดถอยโดยความไม่แน่นอนเพื่อลดเวลาในกระบวนการทดสอบวัดค่ากระแสไฟฟ้าเขียนที่เหมาะสมที่สุดของฮาร์ดไดรฟ์, ภัทรดิศ ดำรงค์ศักดิ์
Chulalongkorn University Theses and Dissertations (Chula ETD)
ฮาร์ดไดรฟ์ (HDD) เป็นอุปกรณ์บันทึกข้อมูลแม่เหล็กที่มีความแม่นยำสูง ดังนั้นจึงมีค่าใช้จ่ายสูง และเสียเวลาในการวัดค่ากระแสไฟฟ้าเขียนที่เหมาะสมที่สุดฮาร์ดไดรฟ์ หากจ่ายกระแสไฟฟ้าเขียนไม่เหมาะสมจะส่งผลกระทบต่อประสิทธิภาพการทำงานของฮาร์ดไดรฟ์ ซึ่งเราใช้วิธีการเงื่อนไขการทดสอบแบบปรับตัว (Adaptive Test Condition) เป็นเทคนิคที่ปรับวิธีการทดสอบแบบดั้งเดิม ตามรูปแบบข้อมูลพารามิเตอร์ เพื่อปรับปรุงวิธีการทดสอบปัจจุบัน และลดเวลาการทดสอบ งานวิทยานิพนธ์นี้มีวัตถุประสงค์เพื่อศึกษาและเปรียบเทียบวิธีการใช้ตัวแบบจำลองการถดถอยโดยความไม่แน่นอนสำหรับการลดช่วงการวัดค่ากระไฟฟ้าเขียนที่เหมาะสมที่สุด สำหรับการลดเวลาการทดสอบวัคค่ากระแสไฟฟ้าเขียน (write current test) โดยการคำนวณช่วงความเชื่อมั่นของผลทำนายที่ระดับความเชื่อมั่นที่ยอมรับได้ โดยใช้ค่าความไม่แน่นอนของข้อมูล (Data uncertainty) ที่ผ่านวิธีปรับการเทียบมาตรฐาน (Recalibration) แล้วนำมาลดช่วงวัดที่ได้จากการทดสอบฮาร์ดไดรฟ์ จากนั้นนำช่วงเชื่อมั่นของผลทำนายนั้นมาลดช่วงการวัดค่ากระแสไฟฟ้าเขียน โดยการศึกษา และเปรียบเทียบใช้ตัวแบบจำลองการถดถอยโดยความไม่แน่นอน ได้แก่ NGBoost, XGB-Distribution และ CatBoost ซึ่งผลลัพธ์ของงานวิทยานิพนธ์คือ CatBoost สามารถลดเวลาในการทดสอบวัคค่ากระแสไฟฟ้าเขียนสูงสุดที่ช่วงความเชื่อมั่นของผลทำนาย ณ ระดับความเชื่อมั่นที่ยอมรับได้ ซึ่งครอบคลุมสัดส่วน 0.9 ของทุกชุดการทดสอบ
การวิเคราะห์ความคงทนของตัวแบบการเรียนรู้เชิงลึกต่อการโจมตีแบบพอยซันนิ่งแบบแกนส์ในงานภาพทางการแพทย์, ภาคภูมิ สิงขรภูมิ
การวิเคราะห์ความคงทนของตัวแบบการเรียนรู้เชิงลึกต่อการโจมตีแบบพอยซันนิ่งแบบแกนส์ในงานภาพทางการแพทย์, ภาคภูมิ สิงขรภูมิ
Chulalongkorn University Theses and Dissertations (Chula ETD)
ปัจจุบันเทคโนโลยี deep learning ได้เข้ามีส่วนช่วยในการพัฒนางานทางด้านการแพทย์และสาธารณสุขเป็นอย่างมาก ด้วยการใช้สถาปัตยกรรมที่ล้ำสมัยและพารามิเตอร์ที่ถูกสอนด้วยข้อมูลขนาดใหญ่ แต่ทว่า model เหล่านี้สามารถถูกโจมตีได้ด้วย adversarial attack เพราะว่า model เหล่านี้ยังต้องพึ่งพารามิเตอร์ในการสร้างเอาต์พุตและลักษณะที่ไม่สามารถอธิบายได้ของ model นั้นก็ทำให้ยากที่จะหาทางแก้หากถูกโจมตีแล้ว ในทุกๆวันมีการใช้ model เหล่านี้เยอะมากขึ้นเพื่อช่วยบุคลากรทางการแพทย์ แต่ด้วยงานที่ต้องคำนึงถึงชีวิตของผู้คนเป็นหลักการทดสอบความปลอดภัยและความคงทนของตัว model จึงจำเป็น การโจมตีสามารถแบ่งได้ออกเป็นสองประเภทคือ evasion atttack และ poisoning attack ที่มีความยืดหยุ่นกว่า evasion attack ทั้งในเรื่องของการสร้างข้อมูลแปลกปลอมใหม่ขึ้นมาและวิธีการโจมตีทำให้การทดสอบความคงทนต่อ poisoning attack ในงานทางการแพทย์นั้นสำคัญเป็นอย่างยิ่ง วิทยานิพนธ์ฉบับนี้ศึกษาความคงทนของ deep learning model ที่มีสถาปัตยกรรมล้ำสมัยที่ถูกพัฒนามาเพื่องานจำแนกภาพเอกซเรย์ปอดแบบไบนารีภายใต้การโจมตีแบบ poisoninng attack การโจมตีนั้นจะใช้ GANs ในการสร้างข้อมูลสังเคราะห์ปลอมขึ้นมาและทำการติดป้ายกำกับที่ผิดให้ในรูปแบบของ black box และใช้ปริมาณของตัววัดที่ลดลงเมื่อนำข้อมูลนี้ไปอัพเดท model เป็นตัวบ่งชี้ถึงคความคงทนของแต่ละสถาปัตยกรรมที่่แตกต่างกันออกไป จากการทดลองเราพบว่าสถาปัตยกรรม ConvNext นั้นมีความคงทนมากที่สุดและอาจจะสื่อได้ว่าเทคโนโลยีที่มาจาก Transformer นั้นมีส่วนช่วยสนับสนุนความคงทนของ model
ตัวแบบการเรียนรู้ของเครื่องอิทธิพลผสมสำหรับการวิเคราะห์การรอดชีพเวลาไม่ต่อเนื่อง, มนัสพร ตรีรุ่งโรจน์
ตัวแบบการเรียนรู้ของเครื่องอิทธิพลผสมสำหรับการวิเคราะห์การรอดชีพเวลาไม่ต่อเนื่อง, มนัสพร ตรีรุ่งโรจน์
Chulalongkorn University Theses and Dissertations (Chula ETD)
การวิเคราะห์การรอดชีพไม่ต่อเนื่องจะศึกษาบนข้อมูลตามยาวซึ่งชุดข้อมูลตามยาวมักถูกจัดเก็บเป็นตารางโดยข้อมูลแต่ละแถวแสดงถึงการจัดเก็บข้อมูลของบุคคลหนึ่ง ณ เวลาหนึ่งๆ ดังนั้น ข้อมูลจากบุคคลเดียวกันจึงประกอบไปด้วยข้อมูลหลายแถวซึ่งมีความสัมพันธ์กัน การใช้อัลกอริทึมการเรียนรู้ของเครื่องสำหรับการวิเคราะห์ชุดข้อมูลดังกล่าวมักมองข้ามความสัมพันธ์ของข้อมูลที่เกิดจากคนเดียวกัน แต่จะสมมติว่าข้อมูลแต่ละแถวเป็นอิสระต่อกัน งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาการวิเคราะห์การรอดชีพไม่ต่อเนื่องโดยเปรียบเทียบผลลัพธ์จากการพิจารณาความสัมพันธ์ของข้อมูลระหว่างบุคคลคนเดียวกัน โดยใช้ตัวแบบการสุ่มป่าไม้, CatBoost และโครงข่ายประสาทเทียม ที่พิจารณาเฉพาะอิทธิพลคงที่ และตัวแบบการเรียนรู้ของเครื่องอิทธิพลผสมที่พิจารณาทั้งอิทธิพลคงที่และอิทธิพลสุ่ม เพื่อพยากรณ์การเกิดเหตุการณ์บนข้อมูลการรอดชีพ 2 ชุด คือ ข้อมูลท่อน้ำดีอักเสบปฐมภูมิ และข้อมูลการคัดกรองและผลการคัดกรองโรคเบาหวานของประชากรไทย ซึ่งเป็นข้อมูลที่ขาดความสมดุลสูง ผลการศึกษาพบว่าสำหรับตัวแบบอิทธิพลคงที่ การพิจารณาความสัมพันธ์ของข้อมูลระหว่างบุคคลคนเดียวกันให้ประสิทธิภาพการพยากรณ์ที่ดีขึ้นเฉพาะเมื่อใช้ตัวแบบ CatBoost ในขณะที่ตัวแบบอิทธิพลผสมไม่ได้ให้ประสิทธิภาพการพยากรณ์ที่ดีขึ้นเสมอไปเมื่อเทียบกับตัวแบบที่พิจารณาเฉพาะอิทธิพลคงที่ โดยสรุป งานวิจัยนี้ได้แสดงให้เห็นว่าการพิจารณาความสัมพันธ์ของข้อมูลไม่ได้ส่งผลให้ประสิทธิภาพการพยากรณ์ดีขึ้นเสมอไป ทั้งบนตัวแบบอิทธิพลคงที่และตัวแบบอิทธิพลผสม ขึ้นอยู่ข้อจำกัดและปัจจัยต่างๆ เช่น ลักษณะข้อมูล ตัวแบบ การกำหนดตัวแปรอิทธิพลสุ่ม และวิธีการสกัดอิทธิพลคงที่จากตัวแบบ อย่างไรก็ตาม การใช้ตัวแบบอิทธิพลผสมร่วมกับการเรียนรู้ของเครื่องเป็นอีกหนึ่งวิธีการที่น่าลอง และสามารถทำให้ประสิทธิภาพการทำงานดีขึ้นจากการใช้เทคนิคการเรียนรู้ของเครื่องเพียงอย่างเดียว
การเปรียบเทียบวิธีการคัดเลือกตัวแปรสำหรับการถดถอยโลจิสติกในข้อมูลที่มีมิติสูง, รัชพงศ์ ปรัชญาเศรษฐ
การเปรียบเทียบวิธีการคัดเลือกตัวแปรสำหรับการถดถอยโลจิสติกในข้อมูลที่มีมิติสูง, รัชพงศ์ ปรัชญาเศรษฐ
Chulalongkorn University Theses and Dissertations (Chula ETD)
Regularization เป็นวิธีการป้องกันปัญหา overfitting ด้วยการเพิ่มฟังก์ชันการลงโทษไปในตัวแบบเพื่อให้เกิดการคัดกรองตัวแปรเข้าสู่ตัวแบบ งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาและเปรียบเทียบประสิทธิภาพของวิธีการคัดกรองตัวแปรสำหรับการวิเคราะห์การถดถอยโลจิสติกในข้อมูลที่มีมิติสูง ด้วยการใช้ฟังก์ชันการลงโทษในรูปแบบ (1) L0-regularization (2) L1-regularization (3) L0L2-regularization การวิจัยนี้ใช้การจำลองข้อมูลเพื่อทำการทดสอบ 18 กรณี โดยกำหนดค่าที่ต่างกันประกอบด้วย จำนวนตัวแปรอิสระมีจำนวน 200, 500 และ 1000 ตัวแปร ความสัมพันธ์ของตัวแปรอิสระมีค่าเท่ากับ 0, 0.5 และ 0.9 อัตราส่วนสัญญาณต่อสัญญาณรบกวนมีค่าเท่ากับ 1 และ 6 โดยจำลองข้อมูลแต่ละกรณีจำนวน 100 ชุด ในการศึกษานี้มุ่งเน้นที่การเปรียบเทียบประสิทธิภาพในการคัดกรองตัวแปรของตัวแบบ และประสิทธิภาพในการทำนายของตัวแบบ ซึ่งเปรียบเทียบประสิทธิภาพในแต่ละวิธีด้วย ความผิดพลาดในการตรวจจับเชิงบวก ค่าเฉลี่ยแบบฮาร์โมนิคของค่าความแม่นยำและค่าความไว และ พื้นที่ใต้เส้นโค้ง จากการศึกษาพบว่าวิธี L0 มีความแม่นยำในการคัดกรองตัวแปรมากที่สุดเมื่อพิจารณาด้วยความผิดพลาดในการตรวจจับเชิงบวก เมื่อพิจารณาด้วยค่าเฉลี่ยแบบฮาร์โมนิคของค่าความแม่นยำและค่าความไว พบว่าวิธี L1 และ L0L2 มีประสิทธิภาพในการคัดกรองตัวแปรใกล้เคียงกัน แต่วิธี L0L2 จะมีประสิทธิภาพสูงกว่าเมื่อความสัมพันธ์ระหว่างตัวแปรอิสระมีค่าสูง และเมื่อพิจารณาประสิทธิภาพในการทำนายของตัวแบบด้วยพื้นที่ใต้เส้นโค้ง พบว่าวิธี L1 จะมีประสิทธิภาพสูงที่สุดในทุกกรณี
การเปรียบเทียบสถาปัตยกรรมโครงข่ายประสาทคอนโวลูชัน 3 มิติ โดยการจำแนกโรคหลอดเลือดสมองจากภาพการฉายรังสีเอกซเรย์สมอง, ชานนท์ วรโชติสืบตระกูล
การเปรียบเทียบสถาปัตยกรรมโครงข่ายประสาทคอนโวลูชัน 3 มิติ โดยการจำแนกโรคหลอดเลือดสมองจากภาพการฉายรังสีเอกซเรย์สมอง, ชานนท์ วรโชติสืบตระกูล
Chulalongkorn University Theses and Dissertations (Chula ETD)
แบบจำลองโครงข่ายคอนโวลูชัน หรือ ซีเอ็นเอ็น (Convolutional Neural Networks หรือ CNN) ได้รับการนำมาใช้กันอย่างแพร่หลายในการจำแนกภาพ โดยเฉพาะในทางการแพทย์ ซึ่งปกติการจำแนกภาพทางการแพทย์นิยมใช้โครงข่ายคอนโวลูชั่น 2 มิติ แต่เนื่องจากข้อมูลภาพบางประเภท เช่น ภาพการฉายรังสีเอกซเรย์สมองมีลักษณะมองภาพ 3 มิติ ให้เป็นภาพ 2 มิติ ดังนั้นในงานวิจัยนี้จึงมีแนวคิดในการใช้โครงข่ายคอนโวลูชัน 3 มิติมาใช้ในการจำแนกภาพเพื่อนำเอาจุดเด่นจากความสามารถในการดึงคุณลักษณะความสัมพันธ์ในชั้นความลึกที่เพิ่มเข้ามาซึ่งมีความแตกต่างจากรูปแบบ 2 มิติ เพื่อเพิ่มประสิทธิภาพให้แบบจำลองสามารถดึงคุณลักษณะสำคัญของภาพให้มีความหลากหลายมากขึ้น งานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพโครงข่ายคอนโวลูชัน 3 มิติ ร่วมกับแบบจำลองที่ถูกฝึกมาเรียบร้อยแล้ว (pre-trained model) 4 แบบจำลอง ประกอบไปด้วย อเล็กซ์เน็ต (Alexnet) วีจีจี-16 (Vgg-16) กูเกิลเน็ต (Googlenet) และเรสเน็ต (Resnet) เพื่อจำแนกข้อมูลภาพผู้ป่วยที่เป็นโรคหลอดเลือดสมอง และผู้ป่วยที่มีสุขภาพปกติ จากภาพฉายรังสีเอกซเรย์สมอง (CT-Scan) จากฐานข้อมูลเว็บไซด์ Kaggle ชุดข้อมูลประกอบด้วยภาพผู้ป่วยที่เป็นโรคหลอดเลือดสมอง 950 ภาพ จาก 40 คน และภาพผู้ป่วยสุขภาพปกติ 1551 ภาพ จาก 82 คน ซึ่งงานวิจัยนี้มีการปรับรายละเอียดโดยการนำจุดเด่นของแต่ละแบบจำลองมาใช้ และเพิ่มชั้นความลึกที่เป็นจุดเด่นของการค้นหาคุณลักษณะสำคัญของรูปแบบ 3 มิติ ร่วมกับการประมวลผลภาพล่วงหน้า (Image Preprocessing) และการทำการเพิ่มจำนวนข้อมูล (Data augmentation) เพื่อเพิ่มประสิทธิภาพของแบบจำลอง จากนั้นเพื่อไม่ให้การทดลองโน้มเอียงต่อแต่ละแบบจำลอง มีการนำเทคนิค K-Fold Cross validation (K=5) มาเพื่อแก้ปัญหาในงานวิจัยชิ้นนี้ ในส่วนของการวัดประสิทธิภาพผลการทดลองใช้ Confusion matrix เป็นเครื่องมือในการประเมินประสิทธิภาพของแบบจำลอง ซึ่งพบว่าสมรรถนะแบบจำลองโครงข่ายคอนโวลูชันกูเกิลเน็ต 3 มิติ ให้ผลลัพธ์ที่ดีที่สุด โดยผลการทดสอบการจำแนกภาพผู้ป่วยที่เป็นโรคหลอดเลือดสมองจากภาพฉายรังสีเอกซเรย์ ให้ค่าความแม่นยำ ความเที่ยงตรง ค่าความครบถ้วน และ F1-Score ที่ 92.00% 94.01% 83.96% และ 88.70% …
การเรียนรู้แบบรวมกลุ่มด้วยตัวแบบที่แตกต่างกันแบบขนานสำหรับข้อมูลไม่สมดุล กรณีศึกษาข้อมูลเครดิตเยอรมัน, ศศิวิมล ศรีโรจน์
การเรียนรู้แบบรวมกลุ่มด้วยตัวแบบที่แตกต่างกันแบบขนานสำหรับข้อมูลไม่สมดุล กรณีศึกษาข้อมูลเครดิตเยอรมัน, ศศิวิมล ศรีโรจน์
Chulalongkorn University Theses and Dissertations (Chula ETD)
งานวิจัยนี้มีวัตถุประสงค์เพื่อสร้างตัวแบบการเรียนรู้แบบรวมกลุ่มด้วยตัวแบบที่แตกต่างกันแบบขนาน (Bagging Heterogeneous Ensemble) และหาวิธีการลดมิติข้อมูลและวิธีการสุ่มตัวอย่างซ้ำที่เหมาะสมกับข้อมูลเครดิตเยอรมันที่มีอัตราส่วนความไม่สมดุลแตกต่างกัน 3 ค่าคือ 2.3, 10 และ 14 โดยวัดประสิทธิภาพด้วยตัวชี้วัด Accuracy, The area under the curve, F1-score, Precision, Brier score และ Kolmogorov-Smirnov และทดสอบทางสถิติเพื่อแสดงว่าประสิทธิภาพของตัวแบบมีความแตกต่างกัน ที่ระดับนัยสำคัญ 0.05 ผลการศึกษาพบว่าข้อมูลเครดิตเยอรมันที่มีอัตราส่วนความไม่สมดุลต่ำ (IR = 2.3) ตัวแบบ Logistic Regression ที่ใช้เทคนิค Linear Discriminant Analysis (LDA) และ Systematic Minority Over-Sampling Technique (SM) จะมีประสิทธิภาพเฉลี่ยดีที่สุดในการจำแนกประเภท ในส่วนของอัตราส่วนความไม่สมดุลกลาง (IR = 10) และ อัตราส่วนความไม่สมดุลสูง (IR = 14) วิธีการลดมิติข้อมูลและการสุ่มตัวอย่างซ้ำที่มีประสิทธิภาพคือ Linear Discriminant Analysis (LDA), Random Under-Sampling (RUS) และ Linear Discriminant Analysis (LDA), Borderline SMOTE (BSM) ตามลำดับ โดยที่การเรียนรู้แบบรวมกลุ่มด้วยตัวแบบที่แตกต่างกันแบบขนานมีประสิทธิภาพเฉลี่ยดีที่สุด ทั้งในกรณีที่มีและไม่มีวิธีการลดมิติข้อมูลและสุ่มตัวอย่างซ้ำของอัตราส่วนความไม่สมดุลกลางและสูง
ประสิทธิภาพของวิธีการจัดการข้อมูลไม่สมดุลสำหรับการจำแนกกลุ่มภายใต้เงื่อนไขที่แตกต่างกัน, กาญธนา ลออสิริกุล
ประสิทธิภาพของวิธีการจัดการข้อมูลไม่สมดุลสำหรับการจำแนกกลุ่มภายใต้เงื่อนไขที่แตกต่างกัน, กาญธนา ลออสิริกุล
Chulalongkorn University Theses and Dissertations (Chula ETD)
การวิจัยนี้มีจุดประสงค์เพื่อศึกษาปฏิสัมพันธ์ของวิธีการปรับสมดุลข้อมูลกับเงื่อนไขด้านขนาดตัวอย่าง เทคนิคการจำแนกข้อมูล จำนวนตัวแปรระหว่างกลุ่มตัวแปรจัดประเภทต่อกลุ่มตัวแปรต่อเนื่อง อัตราออด และร้อยละของจำนวนข้อมูลกลุ่มหลักต่อข้อมูลกลุ่มรองที่มีต่อประสิทธิภาพของการจำแนกกลุ่ม การปรับสมดุลของข้อมูลแบ่งออกเป็น 3 วิธี ได้แก่ (1) ไม่ปรับสมดุล (2) วิธี random oversampling และ (3) วิธีผสมผสานระหว่างรูปแบบสุ่มเกินและสุ่มลด (hybrid) โดยใช้แพคเกจ ROSE ส่วนเงื่อนไขด้านขนาดตัวอย่างแบ่งออกเป็น ขนาดตัวอย่างเท่ากับ 100 300 และ 500 หน่วย ด้านเทคนิคการจำแนกข้อมูล แบ่งออกเป็น 4 วิธี ได้แก่ (1) เคเนียร์เรสเนเบอร์ (2) การถดถอยโลจิสติก (3) แรนดอมฟอร์เรส และ (4) ซัพพอร์ตเวกเตอร์แมชชีน ตัวแปรจากการจำลองแบ่งออกเป็นตัวแปรตามซึ่งจำลองด้วยการถดถอยโลจิสติก ส่วนตัวแปรอิสระในการจำลองข้อมูลครั้งนี้จะกำหนดให้ใช้ตัวแปรอิสระจำลองทั้งหมด 8 ตัว โดยกำหนดให้มีจำนวนตัวแปรระหว่างกลุ่มตัวแปรจัดประเภทต่อกลุ่มตัวแปรต่อเนื่อง 3 กรณี คือ 4:4 5:3 และ 6:2 ในขณะที่ระดับของอัตราออด จะสุ่มค่าจากช่วง [1,2) หรือ [2,3) และร้อยละของข้อมูลระหว่างข้อมูลกลุ่มหลักต่อข้อมูลกลุ่มรอง แบ่งออกเป็น 2 กรณี ได้แก่ 60:40 และ 70:30 พิจารณาเกณฑ์ประสิทธิภาพของข้อมูลด้วยตัวชี้วัดความถูกต้องในการจำแนก ความไว และความจำเพาะ การจำลองแต่ละสถานการณ์จะทำซ้ำสถานการณ์ละ 500 รอบ การวิเคราะห์ปฏิสัมพันธ์ระหว่างวิธีการปรับสมดุลข้อมูลกับเงื่อนไขต่าง ๆ ใช้การวิเคราะห์ความแปรปรวนพหุคูณหลายทาง (n-way MANOVA) ผลการวิจัยพบว่า วิธีการปรับสมดุลข้อมูลมีปฏิสัมพันธ์แบบสองทางกับเงื่อนไขด้านขนาดตัวอย่าง ร้อยละของข้อมูลระหว่างข้อมูลกลุ่มหลักต่อข้อมูลกลุ่มรอง อัตราออด และเทคนิคการจำแนกข้อมูล และพบปฏิสัมพันธ์แบบสามทางกับเงื่อนไขต่อไปนี้ (1) ขนาดตัวอย่างและจำนวนตัวแปรระหว่างกลุ่มตัวแปรจัดประเภทต่อกลุ่มตัวแปรต่อเนื่อง (2) ขนาดตัวอย่างและเทคนิคการจำแนกข้อมูล และ (3) ร้อยละของข้อมูลระหว่างข้อมูลกลุ่มหลักต่อข้อมูลกลุ่มรอง และเทคนิคการจำแนกข้อมูล ดังนั้นนักวิเคราะห์ข้อมูลควรเลือกใช้วิธีการปรับสมดุลข้อมูลโดยพิจารณาให้เหมาะสมกับสภาพของข้อมูลที่ใช้ในการวิเคราะห์
สมรรถนะดิจิทัลขององค์กรทหาร: การวิเคราะห์องค์ประกอบเชิงสำรวจและเชิงยืนยันพหุระดับ, รัมณรา สมประสงค์
สมรรถนะดิจิทัลขององค์กรทหาร: การวิเคราะห์องค์ประกอบเชิงสำรวจและเชิงยืนยันพหุระดับ, รัมณรา สมประสงค์
Chulalongkorn University Theses and Dissertations (Chula ETD)
สมรรถนะดิจิทัลขององค์กรทหารในปัจจุบันมีความสำคัญต่อการปฏิบัติงานในยุคของการเปลี่ยนแปลงทางดิจิทัลที่เกิดขึ้นอย่างรวดเร็ว งานวิจัยนี้เป็นงานวิจัยเชิงบรรยาย มีวัตถุประสงค์ดังนี้ 1) เพื่อสังเคราะห์ตัวชี้วัดสมรรถนะดิจิทัลขององค์กรทหาร 2) เพื่อสำรวจองค์ประกอบพหุระดับสมรรถนะดิจิทัลขององค์กรทหาร 3) เพื่อตรวจสอบความสอดคล้องเชิงประจักษ์ขององค์ประกอบพหุระดับสมรรถนะดิจิทัลขององค์กรทหาร ตัวอย่างวิจัย เป็นบุคลากรระดับปฏิบัติการในองค์กรทหารสังกัดกระทรวงกลาโหม 50 หน่วยงาน จำนวน 860 คน สำหรับใช้ในการวิเคราะห์องค์ประกอบเชิงสำรวจพหุระดับ และจำนวน 863 คน สำหรับใช้ในการวิเคราะห์องค์ประกอบเชิงยืนยันพหุระดับ เครื่องมือที่ใช้ในการวิจัยเพื่อการวิเคราะห์องค์ประกอบพหุระดับ คือแบบวัดสมรรถนะดิจิทัลขององค์กรทหาร ประกอบไปด้วย 2 ตอน คือ ข้อมูลพื้นฐานของกำลังพลผู้ตอบแบบสอบถาม และแบบวัดสมรรถนะดิจิทัลขององค์กรทหาร จำนวน 69 ข้อคำถาม วิเคราะห์ข้อมูลด้วยโปรแกรม IBM SPSS Statistics 22 และ MPlus6 ผลการวิจัยพบว่า (1) ตัวชี้วัดสมรรถนะดิจิทัลขององค์กรทหาร ประกอบไปด้วย 16 ตัวชี้วัด ได้แก่ 1) การวางแผนการใช้งานอุปกรณ์เทคโนโลยีดิจิทัลแบบบูรณาการ 2) การสืบค้นข้อมูลทางดิจิทัล 3) การประเมินความน่าเชื่อถือของข้อมูล 4) การใช้งานเทคโนโลยีเบื้องต้น 5) การแก้ปัญหาจากการใช้เทคโนโลยีดิจิทัล 6) การใช้อินทราเน็ตขององค์กร 7) การรักษาความลับในโลกไซเบอร์ 8) การจัดการไฟล์ดิจิทัลทางการทหาร 9) การเข้าถึงไฟล์ดิจิทัลในกรณีปฏิบัติงานนอกสถานที่ 10) การจัดการฐานข้อมูลทางการทหาร 11) การใช้สื่อดิจิทัลทางไกลเพื่อการสื่อสารทางการทหาร 12) การนำเสนอข้อมูลทางทหารในรูปแบบดิจิทัล 13) การสร้างสิ่งแวดล้อมทางดิจิทัลเพื่อการทำงาน 14) การตระหนักถึงความปลอดภัยบนโลกไซเบอร์ 15) การรักษามารยาทในสังคมดิจิทัล 16) เจตคติต่อการใช้เทคโนโลยีดิจิทัลในองค์กร (2) องค์ประกอบเชิงสำรวจพหุระดับสมรรถนะดิจิทัลขององค์กรทหาร มีจำนวน 3 โมเดล คือ 1) องค์ประกอบระดับระดับบุคคล 4 องค์ประกอบ ระดับองค์กร 1 องค์ประกอบ 2) องค์ประกอบระดับบุคคล 4 องค์ประกอบ ระดับองค์กร 2 องค์ประกอบ 3) องค์ประกอบระดับบุคคล …
การเปรียบเทียบวิธีการใส่ค่าสูญหาย ในตัวแบบการถดถอยเชิงเส้นพหุที่ตัวแปรอิสระมีการสูญหายแบบนอนอิกนอร์เรเบิลที่สัมพันธ์กัน, ศุภสันติ์ ดีมาก
การเปรียบเทียบวิธีการใส่ค่าสูญหาย ในตัวแบบการถดถอยเชิงเส้นพหุที่ตัวแปรอิสระมีการสูญหายแบบนอนอิกนอร์เรเบิลที่สัมพันธ์กัน, ศุภสันติ์ ดีมาก
Chulalongkorn University Theses and Dissertations (Chula ETD)
งานวิจัยนี้มีจุดประสงค์เพื่อศึกษาและเปรียบเทียบวิธีการประมาณสูญหายในตัวแบบการถดถอยเชิงเส้นพหุคูณ ที่ตัวแปรอิสระมีการสูญหายแบบนอนอิกนอร์เรเบิลที่มีความสัมพันธ์กัน ในการศึกษานี้มีวิธีการที่ถูกพัฒนาขึ้นคือ Expected Regression Imputation (ERI) และ Conditional Expected Regression Imputation (CERI) โดยจะเปรียบเทียบประสิทธิภาพวิธีการที่พัฒนาขึ้นมากับอีก 3 วิธีการ ได้แก่ วิธี K-Nearest Neighbor Imputation (KNN), วิธี Expectation Maximization Algorithm (EM) และ วิธี Predictive Mean Matching Imputation (PMM) ) การศึกษานี้ได้ควบคุมปัจจัยความแปรปรวนของตัวแปรอิสระ, ความสัมพันธ์ของตัวแปรอิสระ, ส่วนเบี่ยงเบนมาตรฐานค่าความคลาดเคลื่อน, ร้อยละการสูญหายและระดับ Nonignorability โดยวิธีการที่ให้ค่าเฉลี่ยของค่าเฉลี่ยความคลาดเคลื่อนกำลังสอง (Average mean square error) น้อยที่สุดจะเป็นวิธีการที่มีประสิทธิภาพสูงที่สุด ผลการวิจัยพบว่า เมื่อข้อมูลมีการกระจายตัวสูงและกลางวิธี KNN มีประสิทธิภาพสูงสุดในทุกกรณีที่ศึกษา แต่ถ้าข้อมูลกระจายตัวต่ำ วิธี KNN จะดีเมื่อกรณีตัวแปรมีความสัมพันธ์กันสูงและร้อยละการสูญหายต่ำ วิธี EM จะประสิทธิภาพสูงเมื่อร้อยละการสูญหายสูงในทุกระดับความสัมพันธ์ วิธี ERI จะประสิทธิภาพสูงเมื่อตัวแปรมีความสัมพันธ์เชิงบวกในระดับกลางลงไปในเกือบทุกกรณีที่ศึกษา วิธี CERI จะประสิทธิภาพสูงเมื่อตัวแปรมีความสัมพันธ์เชิงลบในระดับกลางลงไปและร้อยละการสูญหายต่ำ
An Analysis On Trends Of Research Topics In Civic Education Using Dynamic Topic Model, Poon Thongsai
An Analysis On Trends Of Research Topics In Civic Education Using Dynamic Topic Model, Poon Thongsai
Chulalongkorn University Theses and Dissertations (Chula ETD)
The aim of this thesis is to study the trend of civic and citizenship education research from 2000 to 2020 and the influence the regional background of researches has on the research discussion. Relevant data is collected from ERIC and SCOPUS database. This includes abstracts, published year, regional background of researchers, and author h-index. The keywords used are “civic education” or “citizenship education” or “civics”. There are 4917 papers extracted in total. Upon doing further preparation, 4854 articles are prepared for analysis. We apply Structural Topic model (STM) technique to the abstracts with covariates including the published year and the …
A Comparison Of Imbalanced Data Handling Methods For Pre-Trained Model In Multi-Label Classification Of Stack Overflow, Arisa Umparat
A Comparison Of Imbalanced Data Handling Methods For Pre-Trained Model In Multi-Label Classification Of Stack Overflow, Arisa Umparat
Chulalongkorn University Theses and Dissertations (Chula ETD)
Tag classification is essential in Stack Overflow. Instead of combining through pages or replies of irrelevant information, users can easily and quickly pinpoint relevant posts and answers using tags. Since User-submitted posts can have multiple tags, classifying tags in Stack Overflow can be challenging. This results in an imbalance problem between labels in the whole labelset. Pretrained deep learning models with small datasets can improve tag classification accuracy. Common multi-label resampling techniques with machine learning classifiers can also fix this issue. Still, few studies have explored which resampling technique can improve the performance of pre-trained deep models for predicting tags. …
An Application Of Reinforcement Learning To Credit Scoring Based On The Logistic Bandit Framework, Kantapong Visantavarakul
An Application Of Reinforcement Learning To Credit Scoring Based On The Logistic Bandit Framework, Kantapong Visantavarakul
Chulalongkorn University Theses and Dissertations (Chula ETD)
This study applies reinforcement learning to credit scoring by using the logistic bandit framework. The credit scoring and the credit underwriting are modeled into a single sequential decision problem where the credit underwriter takes a sequence of actions over an indefinite number of time steps. The traditional credit scoring approach considers the model construction separately from the underwriting process. This approach is identified as a greedy algorithm in the reinforcement learning literature, which is commonly believed to be inferior to an efficient reinforcement learning approach such as Thompson sampling. This is true under the simple setting, i.e., granting credit to …
Multi-Output Learning For Predicting Evaluation And Reopening Of Github Pull Requests On Open-Source Projects, Peerachai Banyongrakkul
Multi-Output Learning For Predicting Evaluation And Reopening Of Github Pull Requests On Open-Source Projects, Peerachai Banyongrakkul
Chulalongkorn University Theses and Dissertations (Chula ETD)
GitHub's pull-based development model is widely used by software development teams to manage software complexity. Contributors create pull requests for merging changes into the main codebase, and integrators review these requests to maintain quality and stability. However, a high volume of pull requests can overburden integrators, causing feedback delays. Previous studies have used machine learning and statistical techniques with tabular data as features, but these may lose meaningful information. Additionally, acceptance and latency may not be sufficient for the pull request evaluation. Moreover, reopened pull requests can add maintenance costs and burden already-busy developers. This thesis proposes a novel multi-output …
Spatio-Temporal Copula-Based Graph Neural Networks For Traffic Forecasting, Pitikorn Khlaisamniang
Spatio-Temporal Copula-Based Graph Neural Networks For Traffic Forecasting, Pitikorn Khlaisamniang
Chulalongkorn University Theses and Dissertations (Chula ETD)
Modern cities heavily rely on complex transportation, making accurate traffic speed prediction crucial for traffic management authorities. Classical methods, including statistical techniques and traditional machine learning techniques, fail to capture complex relationships, while deep learning approaches may have weaknesses such as error accumulation, difficulty in handling long sequences, and overlooking spatial correlations. Graph neural networks (GNNs) have shown promise in extracting spatial features from non-Euclidean graph structures, but they usually initialize the adjacency matrix based on distance and may fail to detect hidden statistical correlations. The choice of correlation measure can have a significant impact on the resulting adjacency matrix …