การสร้างโมเดลพยากรณ์ผู้มีงานทำโดยเทคนิคเหมืองข้อมูล

Generating employment predictive model by using data mining techniques

Name: ณัฐพงศ์ มณีจันทร์

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล

Email : s6207021858270@email.kmutnb.ac.th

Name: วัชรีวรรณ จิตต์สกุล

Organization : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยีสารสนเทศและนวัตกรรมดิจิทัล

Email : watchareewan.j@itd.kmutnb.ac.th

ThaSH: เหมืองข้อมูล -- พยากรณ์ -- การออกแบบ

ThaSH: การหางาน -- พยากรณ์

Abstract: งานวิจัยนี้นำเสนอการสร้างโมเดลพยากรณ์ จำนวนผู้มีงานทำ โดยใช้เทคนิคเหมืองข้อมูล โดยใช้ข้อมูลผู้มีงานทำจากธนาคารแห่งประเทศไทย และข้อมูลการส่งออกสินค้า 96 ประเภท จากกรมศุลกากร นามาสร้างโมเดลพยากรณ์โดย การเปรียบเทียบการปรับช่วงของข้อมูล 3 วิธี ได้แก่ ปรับด้วยการทำนอร์มอลไลซ์ปรับให้เป็นมาตรฐาน และไม่ทำการปรับช่วงของข้อมูล ร่วมกับการคัดเลือกคุณลักษณะ 3 วิธีได้แก่ การคัดเลือกคุณลักษณะจากความสัมพันธ์ การขจัดคุณลักษณะออก และไม่คัดเลือกคุณลักษณะออก จากนั้นนาไปสร้างโมเดลพยากรณ์โดยการทำเหมืองข้อมูลด้วยวิธีการวิเคราะห์การถดถอย วิธีเบส์ วิธี SVR และวิธี XGB Regressor เพื่อประเมินประสิทธิภาพการพยากรณ์ของแต่ละโมเดลด้วยวิธีเปอร์เซ็นต์ความคลาดเคลื่อนสมบูรณ์เฉลี่ย และเวลาที่ใช้ในการประมวลผล ผลการวิจัยพบว่า ข้อมูลที่ผ่านการปรับช่วงของข้อมูลให้เป็นมาตรฐาน ร่วมกับคัดเลือกคุณลักษณะแบบการขจัดคุณลักษณะออก และการทำเหมืองข้อมูลแบบ SVR ให้ประสิทธิภาพการพยากรณ์ดีที่สุด โดยค่าเปอร์เซ็นต์ความคลาดเคลื่อนสมบูรณ์เฉลี่ยเท่ากับ 0.84 และเวลาที่ใช้ในการประมวลผลเท่ากับ 2.317 มิลลิวินาที

Abstract: This research demonstrates the generation of an employment predictive model using data mining techniques. The data set used in this research consists of employment statistics collected from Bank of Thailand (BOT), and 96 types of product exports data gathered from Thai Customs Department (TCD). Data are implemented by comparing 3 methods of Feature Scaling, which are Normalization, Standardization, and Non-Scaling, hybridized with 3 methods of Feature Selection, which are Correlation, Backward Elimination, and Non-Elimination. Afterwards, the predictive models are formulated by applying 4 data mining techniques, Linear Regression, Bayesian Ridge, SVR and XGBRegressor. In order to evaluate the efficiency of each predictive model, each model is measured by Mean Absolute Percentage Error (MAPE) and processing time. The experiment results indicated that the best-suited predictive model for the selected data was the Feature Scaling, achieved by Standardization combining with Feature Selection, executed by Backward Elimination, and SVR technique. The Mean Absolute Percentage Error (MAPE) score was 0.84. Meanwhile, the processing time took 2.317 milliseconds.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Created: 2564

Modified: 2564-10-11

Issued: 2564-10-11

บทความ/Article

application/pdf

BibliograpyCitation : ใน มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. คณะเทคโนโลยสารสนเทศและนวัตกรรมดิจิทัล. การประชุมวิชาการระดับชาติด้านคอมพิวเตอร์และเทคโนโลยีสารสนเทศ ครั้งที่ 17 (NCCIT 2021) (pp.162-167). กรุงเทพฯ : มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

tha

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	NCCIT 2021pp.162-167.pdf	356.99 KB	7	2025-01-10 09:56:57

ใช้เวลา

0.030879 วินาที