การหาประสิทธิภาพของเทคนิคการเรียนรู้สำหรับการจำแนกปริมาณฝุ่น โดยใช้เทคนิคเหมืองข้อมูล
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อสร้างแบบจำลองสำหรับการหาประสิทธิภาพฝุ่นละออง ในอากาศเพื่อเปรียบเทียบประสิทธิภาพของตัวแบบสำหรับการการจำแนกฝุ่นละออง โดยใช้เทคนิคเหมืองข้อมูล 6 วิธี ซึ่งประกอบด้วย วิธีนาอีฟเบย์ (Naïve Bayes) วิธีแรนดอมฟอร์เรส (Random Forest) วิธีความใกล้เคียงกันที่สุด (K-Nearest Neighbor) และวิธีต้นไม้ตัดสินใจ (Decision Tree) โดยใช้ข้อมูลของสำนักงานสิ่งแวดล้อมและควบคุมมลพิษที่ 9 จังหวัดอุดรธานี สร้างชุด ตัวแบบและชุดทดสอบตัวแบบ เป็นข้อมูลที่เกิดจากการทบทวนชุดข้อมูลคุณภาพอากาศย้อนหลัง จำนวน 724 รายการ 7 คุณลักษณะ จากนั้นทำการหาค่าความถูกต้อง โดย ผลการวิจัยสามารถสรุปได้ดังนี้ วิธีแรนดอมฟอร์เรส มีประสิทธิภาพในการจำแนกมากที่สุดโดยมีค่าความถูกต้อง 98.03% วิธีต้นไม้ตัดสินใจมีค่าความถูกต้อง 91.83% วิธีนาอีฟเบย์มีค่าความถูกต้อง 88.35% วิธี K-NN เพื่อนบ้าน ที่ใกล้ที่สุดมีค่าความถูกต้อง 85.03% วิธี Neural Net มีค่าความถูกต้อง 91.06% และ วิธี SVM มีค่าความถูกต้อง 85.49% ตามลำดับ จะพบว่า วิธีแรนดอมฟอร์เรสมีประสิทธิภาพในการสร้างแบบจำลองมากที่สุดเมื่อเทียบกับวิธี ที่ใช้เปรียบเทียบร่วมกัน เนื่องจากเป็นวิธีที่ไม่มีการแจกแจงหรือไม่ใช้พารามิเตอร์ซึ่งไม่ได้ขึ้นอยู่กับสมมุติฐานการแจกแจงความน่าจะเป็นเหมาะสมที่นำแบบจำลองไปใช้ในการการจำแนก เพื่อเป็นแนวในการสนับสนุนการตัดสินใจทางสิ่งแวดล้อมและควบคุมมลพิษในการจำแนกคุณภาพอากาศต่อไป
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
สงวนสิทธิ์ โดย สถาบันการอาชีวศึกษาภาคตะวันออกเฉียงเหนือ 1
306 หมู่ 5 ถนนมิตรภาพ หนองคาย-อุดรธานี ตำบลโพธิ์ชัย อำเภอเมืองหนองคาย จังหวัดหนองคาย 43000
โทร 0-4241-1445,0-4241-1447
ISSN : 3027-6861 (print) ISSN : 3027-687X (online)
เอกสารอ้างอิง
k. Kritika Thipphakhammee, “Article on the efficiency of machine learning techniques for forecasting fine dust particles in air”, Kalasin University Journal of Science Technology and Innovation,58th ed., No. 1, 2023, pp. 6 - 16. (in thai)
P. Pollution Control Department, Announcement of the National Environment Board on setting air quality index standards for Thailand, 2023, [Online]. https: //www.aqi.in/th/dashboard/thailand/udon- thani/udon-thani.(Accessed 28 January 2024). (in thai)
K. Khomkrit Meksakul, “Article on PM2.5 dust forecasting model of Phayao Province”, 11th ed., Issue 2, Journal of Engineering and Digital Technology (JEDT), 2023, pp. 3 - 11. (in thai)
J. Jintana Prachumphan, “PM2.5, fine dust particles in the air and the health crisis that Thai people will have to exchange”, [Online].https://thestandard.com. (Accessed : 20 January 2023). (in thai)
T. Thoranin Satchaviriyatra, Article on the hybrid model Arima-Support Vector Machine emphasizing positive components for the forecasting of PM2.5 particle size less than 10 microns, 27th ed., No. 3, Science and Technology, 2019, pp. 5 - 13. (in thai)
N. Nopparat Nonsiri, Article on Data Forecasting for Diagnosing Disease Risk 2023, 33rd ed., No. 2, pages 543 – 545.
N. Naruchon Rojanaburanon, “Data analysis guide with Rapid Miner Studio”, [Online] https://www.gotoknow.org/posts/660127.(Accessed : 15 March 2024).
S. Sanya Pantipitham, “An article on the application of time series analysis and geographic information system to assess particulate matter less than 10 microns in Bangkok 2016”, 44th ed., No. 4, pp. 8 – 20. (in thai)
S. Sutharat Muenmee and Susira Butdee, Article on Health Risk Assessment from PM Dust Exposure, 2022, 14th ed., No. 3, pp. 95 – 108. . (in thai)
S. Samitivej, “Understanding and dust”,[Online]. https://samitivejchinatown.com/th/article /health/what -is-pm-2.5. (Accessed : 28 January 2024).
I. Inthachat Sukkasem, Article on the forecast of particulate matter not exceeding 2.5 microns (PM2.5) in Nakhon Ratchasima Province 2020, 9th printing, issue 21, pages 8-10. (in thai)
