ประสิทธิภาพของฟังก์ชันความเหมือนต่อขั้นตอนวิธีเพื่อนบ้านใกล้ที่สุดเค สำหรับการจำแนกประเภทข้อมูล

Abstract

งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาประสิทธิภาพและเสนอวิธีการปรับปรุปการใช้ฟังก์ชันความเหมือนสำหรับการเพิ่ม ประสิทธิภาพของการจำแนกประเภทข้อมูลด้วยขั้นตอนวิธีเพื่อนบ้านใกล้ที่สุดเค (k-Nearest Neighbor Algorithm: KNN) โดยได้ทำการทดสอบกับชุดข้อมูลเกณฑ์มาตรฐาน (Benchmark) จำนวน 6 ชุดข้อมูล ได้แก่ ชุดข้อมูลแก้ว (Glass) ชุดข้อมูลไวน์ (Wine) ชุดข้อมูลหุบเขา (Hill-Valley) ชุดข้อมูลมะเร็งเต้านม (Wdbc) ชุดข้อมูลมะเร็งต่อมน้ำเหลือง (DLBCL) และชุดข้อมูล มะเร็งลำไส้ (Colon Cancer) การเปรียบเทียบประสิทธิภาพของฟังก์ชันความเหมือนแบบต่าง ๆ ได้ทำการแบ่งฟังก์ชั่นความ เหมือนออกเป็น 2 กลุ่ม ได้แก่ 1) ฟังก์ชันการวัดระยะห่าง (Distance Metric) ประกอบด้วย ฟังก์ชั่นระยะห่างยูคลิเดียน (Euclidean) และฟังก์ชันระยะห่างแมนฮัตตัน (Manhattan) และ 2) ฟังก์ชั่นสหสัมพันธ์ (Coefficient) ประกอบด้วย ฟังก์ชัน สหสัมพันธ์โคไซน (Cosine) และ ฟังก์ชันสหสัมพันธ์เพียร์สัน (Pearson) จากการทดลอง พบว่า ฟังก์ชันระยะห่างแมนฮัตตัน ให้ประสิทธิภาพที่ดีในกลุ่มฟังก์ชันการวัดระยะห่าง และ ฟังก์ชันสหสัมพันธ์โคไซน ให้ประสิทธิภาพดีในกลุ่มฟังก์ชันสหสัมพันธ์ ดังนั้นในงานวิจัยนี้จึงได้พัฒนาฟังก์ชั่นใหม่โดยการนำฟังก์ชันระยะห่างแมนฮัตตัน และ ฟังก์ชันสหสัมพันธ์โคไซน มาคำนวณ ร่วมกัน ซึ่งผลการทดลองพบว่าฟังก์ชันที่นำเสนอให้ประสิทธิภาพในการจำแนกประเภทข้อมูลทีดีขึ้นสำหรับการจำแนกประเภท ข้อมูลด้วยขั้นตอนวิธีเพื่อนบ้านใกล้ที่สุดเค