Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/52998
Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | นัท กุลวานิช | |
| dc.contributor.author | นันทณัฐ พันธุ์สีดา | |
| dc.contributor.other | จุฬาลงกรณ์มหาวิทยาลัย. คณะพาณิชยศาสตร์และการบัญชี | |
| dc.date.accessioned | 2017-06-19T09:29:13Z | |
| dc.date.available | 2017-06-19T09:29:13Z | |
| dc.date.issued | 2556 | |
| dc.identifier.uri | http://cuir.car.chula.ac.th/handle/123456789/52998 | |
| dc.description | วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2556 | en_US |
| dc.description.abstract | การวิจัยในครั้งนี้ มีวัตถุประสงค์เพื่อเปรียบเทียบความแม่นยำในการพยากรณ์ระหว่างวิธีการโครงข่ายประสาทเทียมแบบแพร่ย้อนกลับกับวิธีซัพพอร์ตเวกเตอร์แมชชีนด้วยฟังก์ชัน เคอร์เนล โดยใช้ Receiver Operating Characteristic (ROC) เป็นเครื่องมือวัดประสิทธิภาพความแม่นยำในการพยากรณ์จำแนกประเภทของข้อมูล โดยใช้พื้นที่ใต้โค้ง ROC (Area Under ROC Curve : AUC) และใช้อัตราความผิดพลาดในการจำแนกประเภทข้อมูล (Misclassification Rate : MCR) พิจารณาค่าเฉลี่ยของ AUC จะได้ว่า วิธีซัพพอร์ตเวกเตอร์แมชชีนด้วย Laplacian Kernel ให้ประสิทธิภาพความแม่นยำในการพยากรณ์จำแนกประเภทของข้อมูลได้ดีที่สุดในกรณีที่ข้อมูล มีการแจกแจงแบบชี้กำลังและข้อมูลที่มีการแจกแจงแบบปกติ ส่วนกรณีที่ข้อมูลมีการแจงแจกแบบปัวส์ซงนั้น วิธีโครงข่ายประสาทเทียมแบบย้อนกลับ ให้ประสิทธิภาพความแม่นยำในการพยากรณ์จำแนกประเภทของข้อมูลดีที่สุด พิจารณาค่าของเฉลี่ยของ MCR จะได้ว่า ในทุกกรณีของการแจกแจงที่ศึกษาในงานวิจัยนี้นั้น วิธีซัพพอร์ตเวกเตอร์แมชชีนด้วย Laplacian Kernel ให้ค่าอัตราความผิดพลาดในการจำแนกประเภทข้อมูลได้ต่ำที่สุด และวิธีโครงข่ายประสาทเทียมแบบย้อนกลับ ให้ค่าอัตราความผิดพลาดในการจำแนกประเภทข้อมูลได้สูงที่สุดในทุกรณี | en_US |
| dc.description.abstractalternative | This thesis attempted to identify a simulation study to compare prediction accuracy between the backpropagation artificial neural network and support vector machine. The method was to compare the forecasting accuracy using area under ROC curve (AUC) and misclassification rate (MCR). The average values of the AUC was the support vector machines with the laplacian kernel method provides better prediction performance than the backpropagation artificial neural network in most cases ,except in case independent variables was poisson distribution The average values of the MCR was that in all cases the distributions was studied in this research . Method with support vector machines with the laplacian Kernel to the error rate in the classification have the lowest . The Backpropagation Artificial Neural Network have the error rate in the highest classification in all cases. | en_US |
| dc.language.iso | th | en_US |
| dc.publisher | จุฬาลงกรณ์มหาวิทยาลัย | en_US |
| dc.relation.uri | http://doi.org/10.14457/CU.the.2013.1859 | - |
| dc.rights | จุฬาลงกรณ์มหาวิทยาลัย | en_US |
| dc.subject | นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์) | |
| dc.subject | ซัพพอร์ตเวกเตอร์แมชชีน | |
| dc.subject | Neural networks (Computer science) | |
| dc.subject | Support vector machines | |
| dc.subject | Kernel functions | |
| dc.title | การจำลองข้อมูลเพื่อเปรียบเทียบความแม่นยำในการพยากรณ์ ระหว่างวิธีโครงข่ายประสาทเทียมกับวิธีซัพพอร์ตเวกเตอร์แมชชีน | en_US |
| dc.title.alternative | A simulation Study to compare prediction accuracy between artificial Neural network and support vector machine | en_US |
| dc.type | Thesis | en_US |
| dc.degree.name | สถิติศาสตรมหาบัณฑิต | en_US |
| dc.degree.level | ปริญญาโท | en_US |
| dc.degree.discipline | สถิติ | en_US |
| dc.degree.grantor | จุฬาลงกรณ์มหาวิทยาลัย | en_US |
| dc.email.advisor | nat.kulvanich@gmail.com | |
| dc.identifier.DOI | 10.14457/CU.the.2013.1859 | - |
| Appears in Collections: | Acctn - Theses | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| nantanat_pa.pdf | 3.07 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.