การเปรียบเทียบวิธีการจัดกลุ่มแบบลำดับชั้นและเคมีนสำหรับข้อมูลต่อเนื่องและข้อมูลเชิงกลุ่ม ภายใต้การแปลงข้อมูล

A comparirson of hierarchical and k-means clustering methods for continuous and categorical data based on data transformations

Name: อุมาพร ยกกำพล

keyword: การแปลงข้อมูล

ThaSH: การวิเคราะห์จัดกลุ่ม

; เคมีนอัลกอริธึม

; K-means clustering

; Hierarchical

Abstract: งานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพวิธีการจัดกลุ่มข้อมูล 2 วิธี คือ การจัดกลุ่มแบบลำดับชั้น และการจัดกลุ่มแบบเคมีนสำหรับข้อมูลต่อเนื่องและข้อมูลเชิงกลุ่ม โดยใช้ข้อมูลจริงจากฐานข้อมูล UCI Machine Learning Repository ที่มีตัวแปรปัจจัยในข้อมูลเชิงกลุ่ม ทั้งตัวแปรที่วัดสเกลเป็นสำคัญ วัคสเกลเป็นนามบัญญัติ รวมถึงค่าข้อมูล วัดเป็น 2 ค่า ภายใต้การแปลงข้อมูลใน 3 รูปแบบ คือ แปลข้อมูลเชิงกลุ่มป็นค่าทวิภาค ค่าความถี่สัมพัทธ์ และแปลงข้อมูลทั้งเชิงกลุ่มและข้อมูลต่อเนื่องเป็นค่าบรรทัดฐาน ทำการเปรียบเทียบประสิทธิภาพของวิธีการจัดกลุ่มข้อมูลจากเกณฑ์ ค่าความถูกต้องของการแบ่งกลุ่ม (CCI) ค่าความแตกต่างของข้อมูลภายในกลุ่ม (RMSSTD) และค่าความต่างของข้อมูลระหว่างกลุ่ม (RS) ผลการวิจัยพบว่า วิธีการจัดกลุ่มแบบเคมีนมีประสิทธิภาพดีกว่าวิธีการจัดกลุ่มแบบลำดับชั้นโดยใช้เกณฑ์ RMAATD เมื่อชุดข้อมูลมีขนาดใหญ่จะไม่สามารถใช้วิธีการจัดกลุ่มแบบลำดับชั้นได้ และภายใต้ของการแปลงตัวแปรทุกวิธีที่ศึกษากับข้อมูลต่อเนื่องและข้อมูลเชิงกลุ่มจะเพิ่มประสิทธิภาพในการจัดกลุ่มข้อมูลของทั้งวิธีการจัดกลุ่มแบบลำดับชั้นและเคมีนให้มากขึ้น

Abstract: The objective of this research was to compare the efficiency of 2 clustering methods which are composed of hierarchical and k-means clustering methods for continuous and categorical data. The real data collected from the UCl Machine Learning Repository were used for clustering method analysis, Categorical data are ordinal scale, nominal scale including binary under data transformations by the 3 following formats, the transformed categorical data into binary and relative frequency and transformed both categorical data and continuous data into normalize. The criterions of comparison were correctly clustered instance (CCI), root mean square standard deviation (RMSSTD) and R squared (RS). Results of the research found that the k-means clustering method is better than the hierarchical clustering method using RMSSTD but hierarchical clustering inappropriate for large data and under all methods of variable transformations with continuous data and categorical data can be more effective with increase of clustering both hierarchical and k-means.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Name: อุไรวรรณ เจริญกีรติกุล

Role: ที่ปรึกษาวิทยานิพนธ์

Email : uraiwan.j@sci.kmutnb.ac.th

Name: อัชฌาณัท รัตนเลิศนุกรณ์

Role: ที่ปรึกษาวิทยานิพนธ์

Created: 2561

Modified: 2563-11-06

Issued: 2563-11-06

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: วิทยาศาสตร์มหาบัณฑิต

Level: ปริญญาโท

Descipline: สถิติประยุกต์

Grantor: มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B16256438.pdf	21.17 MB	8	2024-08-16 15:18:04

ใช้เวลา

0.030372 วินาที