A Comparison of Data Classification Efficiency for Diabetes Mellitus using Data Mining Techniques

Abstract

The research aimed to study and compare the techniques classified information to the appropriate classification of diabetes. In this research was to study the technique selected for use in this study, all three techniques include decision trees techniques. Neural networks Technical and closest neighbor to find the composite images of classified information, the best value in the development of diabetes. The results showed that the technique is far better results, Neural networks. The accuracy of 76.82 with a value equal to 0.86 precision by providing accurate value that is equal to 0.80, followed by the nearest neighbor technique. The accuracy of 72.27 by 0.82 by the precision accuracy that is equal to 0.77, and the final decision trees. The accuracy of 71.09 with a value equal to 0.89 precision by providing accurate value that is equal to 0.73.

การวิจัยในครั้งนี้มีวัตถุประสงค์เพื่อศึกษาและเปรียบเทียบเทคนิคการจำแนกกลุ่มข้อมูลที่เหมาะสมกับการจำแนก ข้อมูลการเกิดโรคเบาหวาน ในการวิจัยครั้งนี้ได้ทำการศึกษาคัดเลือกเทคนิคสำหรับใช้ในการวิจัยนี้ทั้งหมด 3 เทคนิค ได้แก่ เทคนิคต้นไม้ตัดสินใจ โครงข่ายประสาทเทียม และเทคนิคเพื่อนบ้านใกล้เคียงที่สุด เพื่อหาประสิทภาพของการจำแนกข้อมูลที่ ดีที่สุดในกลุ่มข้อมูลการเกิดโรคเบาหวาน ผลการวิจัยพบว่า เทคนิคที่ให้ผลลัพธ์ที่ดีสุดคือ โครงข่ายประสาทเทียม โดยให้ค่า ความถูกต้อง เท่ากับ 76.82 โดยให้ค่าความเที่ยงตรง เท่ากับ 0.86 โดยให้ค่าความแม่นยำที่สนใจ เท่ากับ 0.80 รองลงมาคือ เทคนิคเพื่อนบ้านใกล้เคียงที่สุด โดยให้ค่าความถูกต้อง เท่ากับ 72.27 โดยให้ค่าความเที่ยงตรง เท่ากับ 0.82 โดยให้ค่าความ แม่นยำที่สนใจ เท่ากับ 0.77 และสุดท้าย ต้นไม้ตัดสินใจ โดยให้ค่าความถูกต้อง เท่ากับ 71.09 โดยให้ค่าความเที่ยงตรง เท่ากับ 0.89 โดยให้ค่าความแม่นยำที่สนใจ เท่ากับ 0.73