การวิเคราะห์ข้อมูลด้วยเทคนิค Data Mining โดยซอฟต์แวร์ RapidMiner Studio 6
วันที่เขียน 5/9/2559 16:48:07     แก้ไขล่าสุดเมื่อ 27/9/2568 4:12:38
เปิดอ่าน: 11750 ครั้ง

ข้อมูลในปัจจุบันมีเป็นจำนวนมากเพื่อให้เกิดประโยชน์มากที่สุดเราจำเป็นต้องนำข้อมูลเหล่านี้มาทำการวิเคราะห์ ซึ่งเทคนิคหนึ่งที่ได้รับการนิยมอย่างสูงในปัจจุบัน คือ เทคนิค Data Mining

 ข้าพเจ้า นางสาวศริญณา มาปลูก ได้ทำการเข้าร่วมอบรมเชิงปฏิบัติการหลักสูตร การวิเคราะห์ข้อมูลด้วยเทคนิค Data Mining โดยซอฟต์แวร์ RapidMiner Studio 6 วันที่ 17 ถึง 19 มีนาคม พ.ศ. 2559 ณ เค ยู โฮม มหาวิทยาลัยเกษตรศาสตร์ วิทยาเขตบางเขน ได้ความรู้ ดังนี้

ในปัจจุบันข้อมูลมีเป็นจำนวนมากทำให้เกิดความต้องการนำข้อมูลเหล่านี้มาใช้เพื่อก่อให้เกิดประโยชน์มากที่สุด วิธีการหนึ่งที่นิยมใช้กันมากในปัจจุบันคือการวิเคราะห์หาความสัมพันธ์ที่ซ่อนอยู่ในข้อมูล วิธีการนี้คือ การทำเหมืองข้อมูล (data mining) ซึ่งโปรแกรมที่เราใช้คือ ซอฟต์แวร์ RapidMiner Studio 6 ซึ่งเป็นโปรแกรมที่ฟรี ไม่เสียค่าใช้จ่าย

การสร้างโมเดล Ensemble แบบต่างๆ

เทคนิค Ensemble เป็นเทคนิคที่ใช้โมเดล classification หลายๆ โมเดล (model) มาช่วยในการหาคำตอบ เทคนิคนี้ได้เป็นเทคนิคที่มีประสิทธิภาพสูงซึ่งพบได้จากการแข่งขันต่างๆ เช่น Netflix ที่ผู้ชนะมักจะใช้เทคนิค Ensemble นี้  หรือในงานวิจัยต่างๆ ครับ เช่น งานวิจัยเรื่อง Bagging Model with Cost Sensitive Analysis on Diabetes Data หรือ Boosting-based ensemble learning with penalty profiles for automatic Thai unknown word recognition

หลักการของเทคนิค Ensemble แบบง่ายๆ 3 เทคนิค นั่นคือ

Vote Ensemble

เป็นการใช้เทรนนิ่ง ดาต้า (training data) ชุดเดียวกันแต่สร้างโมเดลด้วยเทคนิคต่าง ๆ กัน

Bootstrap Aggregating (Bagging)

 เป็นการสุ่มเทรนนิ่ง ดาต้า (training data) ให้เป็นหลายชุด แต่สร้างโมเดลด้วยเทคนิคเดียวกันทั้งหมด

Random Forest

เป็นเทคนิคที่คล้ายๆ กับ Bagging แต่แทนที่จะสุ่มข้อมูลอย่างเดียวก็ทำการสุ่มเลือกแอตทริบิวต์ (ฟีเจอร์) ต่างๆ ออกมาเป็นหลายๆ ชุดด้วย และสร้างโมเดลด้วยเทคนิค Decision Tree หลายๆ ต้น

ข้อมูลที่ใช้ในการสร้างโมเดลเราจะเรียกว่า เทรนนิ่ง ดาต้า (training data) ซึ่งจะประกอบด้วยแอตทริบิวต์ทั่วไป (หรือตัวแปรต้นในทางสถิติ) และแอตทริบิวต์ประเภทลาเบล (label) หรือ คลาส (class) คำตอบที่เราสนใจให้โมเดลทำนาย (predict) ออกมา (หรือตัวแปรตามในทางสถิติ)

การสร้างโมเดลสามารถแบ่งได้เป็น 2 ขั้นตอนย่อย คือ

การสร้างโมเดล (build model) เป็นการนำเทรนนิ่ง ดาต้า มาสร้างโมเดลซึ่งในขั้นตอนนี้ควรจะมีการวัดประสิทธิภาพของโมเดลก่อนนำไปใช้งาน

การนำโมเดลไปใช้งาน (apply model) เป็นการนำโมเดลที่สร้างได้ไปใช้ทำนายหรือหาคำตอบให้กับข้อมูลใหม่ซึ่งยังไม่รู้คลาสคำตอบ

คำสำคัญ :
กลุ่มบทความ :
หมวดหมู่ :
แชร์ :
https://erp.mju.ac.th/acticleDetail.aspx?qid=579
ความคิดเห็นทั้งหมด (0)
ไม่มีข้อมูลตามเงื่อนไขที่ท่านกำหนด
รายการบทความการแลกเปลี่ยนเรียนรู้หมวดหมู่ : กลุ่มงานสายวิชาการ
ความรู้จากการเข้าร่วมอบรม/สัมมนา/ประชุมวิชาการ » ทรัพย์สินทางปัญญาที่เกี่ยวข้องกับเทคโนโลยีปรับแต่งจีโนม
เทคโนโลยีการปรับแต่งจีโนมระบบ CRISPR/Cas มีบทบาทสำคัญในเกษตรกรรมแม่นยำ โดยช่วยปรับปรุงพันธุ์พืชให้แม่นยำ ปลอดภัย และไม่จัดเป็น GMO การนำเทคโนโลยีไปใช้เชิงพาณิชย์ต้องคำนึงถึงทรัพย์สินทางปัญญา เช่น ส...
การรับรองพันธุ์  ทรัพย์สินทางปัญญา  เทคโนโลยีการปรับแต่งจีโนม (Genome Editing)  พันธุ์พืช     กลุ่มงานตามสมรรถนะบุคลากร   กลุ่มงานสายวิชาการ
ผู้เขียน ช่อทิพา สกูลสิงหาโรจน์  วันที่เขียน 12/9/2568 17:09:14  แก้ไขล่าสุดเมื่อ 26/9/2568 21:00:24   เปิดอ่าน 342  ครั้ง | แสดงความคิดเห็น 0  ครั้ง
การประเมินสมรรถนะอาจารย์ตามกรอบ Thailand PSF » การประยุกต์ใช้ความรู้จากการอบรมเชิงปฏิบัติการ แนวทางการเขียนผลงานด้านการเรียนการสอนเพื่อขอรับการประเมินสมรรถนะอาจารย์ตามกรอบ Thailand PSF
การประเมินสมรรถนะอาจารย์ตามกรอบ Thailand Professional Standards Framework (Thailand PSF) เป็นกระบวนการสำคัญในการรับรองคุณภาพการจัดการเรียนการสอนของอาจารย์ในระดับอุดมศึกษา เพื่อยกระดับมาตรฐานวิชาชีพ...
Thailand PSF  การประเมินสมรรถนะอาจารย์  ผลงานด้านการเรียนการสอน     กลุ่มงานตามสมรรถนะบุคลากร   กลุ่มงานสายวิชาการ
ผู้เขียน อัณชยารัศมิ์ เนาว์โสภา  วันที่เขียน 4/8/2568 18:18:40  แก้ไขล่าสุดเมื่อ 27/9/2568 4:05:09   เปิดอ่าน 1235  ครั้ง | แสดงความคิดเห็น 0  ครั้ง