A Comparison of the Efficiency of Heart Disease Data Classification using Data Mining Technique

Abstract

The purposes of the research were to 1) to compare the technical features, select the most suitable properties 2) study the experimental results using RapidMiner Studio program, consisting of condensed calculation techniques, 3 most techniques, simple ben, neural net by testing with the heart 303 people The research findings showed that the comparison of the efficiency of the average data classification was Nerve net with the most accuracy of 82.17%, followed by Naïve Bayesian 81.88% and KNearest Neighbor 65.66%. By using only 11 features. With Nerve net technology being the most accurate and the performance comparison shows that the selection of appropriate characteristics before data classification is an appropriate way to enhance the efficiency of data classification. Therefore, it is very necessary to first filter the data.

การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อ 1) เพื่อเปรียบเทียบประสิทธิภาพเทคนิคการเลือกคุณลักษณะที่เหมาะสมสำหรับ การจำแนกประเภทขอมูล 2) ศึกษาผลการทดลองใช้โปรแกรม RapidMiner Studio ประกอบดวยเทคนิคการจำแนกขอมูล 3 เทคนิค ไดแก่ วิธีเพื่อนบ้านใกล้ที่สุด, เบย์อย่างง่าย, เครือข่ายประสาท โดยทำการทดสอบกับขอมูลโรคหัวใจจำนวน 303 คน ผลการวิจัยพบว่า การเปรียบเทียบประสิทธิภาพการจำแนกประเภทขอมูลเฉลี่ยดีที่สุดที่ คือ Neural Network มี ความแม่นยำมากที่สุดคือ 82.17% รองลงมาคือ Naïve Bayesian 81.88% และ K-Nearest Neighbor 65.66% โดยใช้ จำนวนคุณลักษณะเพียง 11 คุณลักษณะ โดยที่เทนิค Nerve net มีความแม่นยำมากที่สุด และการเปรีบบเทียบประสิทธิภาพ แสดงใหเห็นวาการคัดเลือกคุณลักษณะที่เหมาะสมกอนการจำแนกประเภทข้อมูลนั้นเป็นแนวทางที่เหมาะสมอยางยิ่งที่จะทำ ให้เพิ่มประสิทธิภาพของการจำแนกข้อมูลได้เปฺ็นอย่างดี จึงจำเป็นอย่างยิ่งที่จะต้องทำการกรองข้อมูลก่อนเบื้องต้น