โครงข่ายประสาทเทียมสำหรับการวิเคราะห์การถดถอยเชิงเส้นตามบริบทนัยทั่วไป

ชยานนท์ ขัตติยาภิรักษ์

Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/79116

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	เสกสรร เกียรติสุไพบูลย์	-
dc.contributor.advisor	นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์)	-
dc.contributor.author	ชยานนท์ ขัตติยาภิรักษ์	-
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะพาณิชยศาสตร์และการบัญชี	-
dc.date.accessioned	2022-07-01T04:17:31Z	-
dc.date.available	2022-07-01T04:17:31Z	-
dc.date.issued	2564	-
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/79116	-
dc.description	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2564	-
dc.description.abstract	ปัญหาความสัมพันธ์เชิงเส้นตามบริบท คือปัญหาที่มีตัวแปรต้นที่แบ่งข้อมูลออกเป็นกลุ่มต่าง ๆ โดยในแต่ละกลุ่มจะมีความสัมพันธ์กับผลเฉลยในลักษณะเชิงเส้นที่แตกต่างกัน ทางผู้วิจัยได้สนใจที่จะนำวิธีโครงข่ายประสาทเทียม (Neural Networks) มาแก้ไขปัญหาประเภทดังกล่าว โดยพัฒนาโครงสร้างที่ชื่อว่า Generalized Contextual Regression (GCR) และเปรียบเทียบกับโครงสร้างที่เคยมีมาก่อน ได้แก่ Feedforward Neural Networks (FNN) ซึ่งเป็นโครงสร้างพื้่นฐาน และ Contextual Regression (CR) ซึ่งนำเสนอโดย Liu และ Wang (2017) งานวิจัยนี้จะศึกษาเฉพาะปัญหาการถดถอยเชิงเส้น ที่ตัวแปรต้นไม่เกิน 10 ตัว ซึ่งมีตัวแปรเชิงบริบทไม่เกิน 3 ตัวเท่านั้น โดยจากผลการวิจัยพบว่าวิธี GCR มีประสิทธิภาพสูงที่สุดในการแก้ไขปัญหาความสัมพันธ์เชิงเส้นตามบริบทเมื่อเปรียบเทียบกับวิธี FNN และ CR	-
dc.description.abstractalternative	A problem with group inputs that partition observations into groups, where each group has a unique linear relationship between the response variable and explanatory variable, is known as a linear contextual relation problem. We propose to apply neural network structure to solve the problem by implementing our new method called generalized contextual regression (GCR). We also compare the model's effectiveness to the standard approaches, feedforward neural network (FNN), and the contextual regression method (GCR) by Liu and Wang (2017), which is our motivation. The problem in this study is only linear regression problems which contain at most 10 explanatory variables and at most 3 contextual explanatory variables. From the study, we find that GCR performs best in solving the contextual linear relation problem, comparing with the alternativesm, FNN and CR.	-
dc.language.iso	th	-
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย	-
dc.relation.uri	http://doi.org/10.58837/CHULA.THE.2021.1051	-
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย	-
dc.subject	นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์)	-
dc.subject	การวิเคราะห์การถดถอย	-
dc.subject	Neural networks (Computer science)	-
dc.subject	Regression analysis	-
dc.subject.classification	Computer Science	-
dc.subject.classification	Mathematics	-
dc.subject.other	Neural networks (Computer science)	-
dc.title	โครงข่ายประสาทเทียมสำหรับการวิเคราะห์การถดถอยเชิงเส้นตามบริบทนัยทั่วไป	-
dc.title.alternative	Neural networks for generalized contextual linear regression	-
dc.type	Thesis	-
dc.degree.name	วิทยาศาสตรมหาบัณฑิต	-
dc.degree.level	ปริญญาโท	-
dc.degree.discipline	สถิติ	-
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย	-
dc.identifier.DOI	10.58837/CHULA.THE.2021.1051	-
Appears in Collections:	Acctn - Theses

Files in This Item:

File	Description	Size	Format
6380063526.pdf		2.95 MB	Adobe PDF	View/Open

Show simple item record