การปรับปรุงประสิทธิภาพการเรียนรู้ของเครื่องจักรในข้อมูลเรซูเม่ที่ไม่สมดุลโดยใช้ SMOTE สำหรับการจำแนกประเภทผู้สมัครงาน
ปัญหาความไม่สมดุลของข้อมูลในกระบวนการเรียนรู้ของเครื่องเป็นข้อจำกัดสำคัญที่ส่งผลต่อประสิทธิภาพของโมเดล โดยเฉพาะในกรณีที่กลุ่มข้อมูลกลุ่มน้อยมีจำนวนน้อยกว่ากลุ่มข้อมูลกลุ่มใหญ่ ทำให้โมเดลเรียนรู้มีความลำเอียงและจำแนกข้อมูลได้ไม่แม่นยำ วิธีการแก้ไขปัญหานี้ในปัจจุบันที่ได้รับความนิยมคือการเพิ่มข้อมูลต...
Saved in:
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Surindra Rajabhat University, Faculty of Science and Technology, Department of Computer Education
2025-04-01
|
| Series: | Journal of Computer and Creative Technology |
| Subjects: | |
| Online Access: | https://so13.tci-thaijo.org/index.php/jcct/article/view/1557 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| _version_ | 1850200701223829504 |
|---|---|
| author | วริสรา วสุอารยะศักดิ์ ณัฐดนัย มังคลัง จิรภัทร สมเสียง ชัยศิริ สนิทพลกลาง |
| author_facet | วริสรา วสุอารยะศักดิ์ ณัฐดนัย มังคลัง จิรภัทร สมเสียง ชัยศิริ สนิทพลกลาง |
| author_sort | วริสรา วสุอารยะศักดิ์ |
| collection | DOAJ |
| description |
ปัญหาความไม่สมดุลของข้อมูลในกระบวนการเรียนรู้ของเครื่องเป็นข้อจำกัดสำคัญที่ส่งผลต่อประสิทธิภาพของโมเดล โดยเฉพาะในกรณีที่กลุ่มข้อมูลกลุ่มน้อยมีจำนวนน้อยกว่ากลุ่มข้อมูลกลุ่มใหญ่ ทำให้โมเดลเรียนรู้มีความลำเอียงและจำแนกข้อมูลได้ไม่แม่นยำ วิธีการแก้ไขปัญหานี้ในปัจจุบันที่ได้รับความนิยมคือการเพิ่มข้อมูลตัวอย่างด้วยวิธี SMOTE ซึ่งสร้างตัวอย่างข้อมูลใหม่ในกลุ่มชนกลุ่มน้อยโดยอาศัยการคำนวณระยะห่างระหว่างข้อมูลที่มีอยู่ งานวิจัยนี้นำเสนอการประยุกต์ใช้ SMOTE ในการปรับปรุงประสิทธิภาพการเรียนรู้ของเครื่องด้วยโมเดล Decision Tree, Random Forest, และ K-NN จากชุดข้อมูลที่ไม่สมดุล พบว่าค่าความถูกต้องของโมเดลเพิ่มขึ้นจาก 0.83, 0.86, และ 0.80 เป็น 0.84, 0.88, และ 0.82 ตามลำดับโดยมีนัยสำคัญทางสถิติหลังจากใช้ SMOTE ซึ่งแสดงให้เห็นถึงประสิทธิภาพของวิธีการดังกล่าวในการแก้ไขปัญหาความไม่สมดุลของข้อมูล ผลการวิจัยยืนยันว่า SMOTE ช่วยปรับปรุงความสามารถในการจำแนกข้อมูลชนกลุ่มน้อยทำให้โมเดลมีความแม่นยำและเหมาะสมต่อการใช้งานในบริบทที่ข้อมูลมีความไม่สมดุล โดยเข้ามาช่วยลดเวลาในการคัดเลือกบุคคลของฝ่ายสรรหาบุคลากรได้อีกด้วย
|
| format | Article |
| id | doaj-art-290567b68c904cd8b061ac3ef56490f1 |
| institution | OA Journals |
| issn | 2985-1580 2985-1599 |
| language | English |
| publishDate | 2025-04-01 |
| publisher | Surindra Rajabhat University, Faculty of Science and Technology, Department of Computer Education |
| record_format | Article |
| series | Journal of Computer and Creative Technology |
| spelling | doaj-art-290567b68c904cd8b061ac3ef56490f12025-08-20T02:12:15ZengSurindra Rajabhat University, Faculty of Science and Technology, Department of Computer EducationJournal of Computer and Creative Technology2985-15802985-15992025-04-013110.14456/jcct.2025.4การปรับปรุงประสิทธิภาพการเรียนรู้ของเครื่องจักรในข้อมูลเรซูเม่ที่ไม่สมดุลโดยใช้ SMOTE สำหรับการจำแนกประเภทผู้สมัครงานวริสรา วสุอารยะศักดิ์0ณัฐดนัย มังคลัง1จิรภัทร สมเสียง2ชัยศิริ สนิทพลกลาง3นักศึกษา สาขาวิชาวิทยาการคอมพิวเตอร์และปัญญาประดิษฐ์ คณะวิทยาศาสตร์ มหาวิทยาลัยราชภัฏจันทรเกษม จังหวัดกรุงเทพมหานคร 10900 ประเทศไทยนักศึกษา สาขาวิชาวิทยาการคอมพิวเตอร์และปัญญาประดิษฐ์ คณะวิทยาศาสตร์ มหาวิทยาลัยราชภัฏจันทรเกษม จังหวัดกรุงเทพมหานคร 10900 ประเทศไทยนักศึกษา สาขาวิชาวิทยาการคอมพิวเตอร์และปัญญาประดิษฐ์ คณะวิทยาศาสตร์ มหาวิทยาลัยราชภัฏจันทรเกษม จังหวัดกรุงเทพมหานคร 10900 ประเทศไทยผู้ช่วยศาสตราจารย์ ดร., สาขาวิชาวิทยาการคอมพิวเตอร์และปัญญาประดิษฐ์ คณะวิทยาศาสตร์ มหาวิทยาลัยราชภัฏจันทรเกษม จังหวัดกรุงเทพมหานคร 10900 ประเทศไทย ปัญหาความไม่สมดุลของข้อมูลในกระบวนการเรียนรู้ของเครื่องเป็นข้อจำกัดสำคัญที่ส่งผลต่อประสิทธิภาพของโมเดล โดยเฉพาะในกรณีที่กลุ่มข้อมูลกลุ่มน้อยมีจำนวนน้อยกว่ากลุ่มข้อมูลกลุ่มใหญ่ ทำให้โมเดลเรียนรู้มีความลำเอียงและจำแนกข้อมูลได้ไม่แม่นยำ วิธีการแก้ไขปัญหานี้ในปัจจุบันที่ได้รับความนิยมคือการเพิ่มข้อมูลตัวอย่างด้วยวิธี SMOTE ซึ่งสร้างตัวอย่างข้อมูลใหม่ในกลุ่มชนกลุ่มน้อยโดยอาศัยการคำนวณระยะห่างระหว่างข้อมูลที่มีอยู่ งานวิจัยนี้นำเสนอการประยุกต์ใช้ SMOTE ในการปรับปรุงประสิทธิภาพการเรียนรู้ของเครื่องด้วยโมเดล Decision Tree, Random Forest, และ K-NN จากชุดข้อมูลที่ไม่สมดุล พบว่าค่าความถูกต้องของโมเดลเพิ่มขึ้นจาก 0.83, 0.86, และ 0.80 เป็น 0.84, 0.88, และ 0.82 ตามลำดับโดยมีนัยสำคัญทางสถิติหลังจากใช้ SMOTE ซึ่งแสดงให้เห็นถึงประสิทธิภาพของวิธีการดังกล่าวในการแก้ไขปัญหาความไม่สมดุลของข้อมูล ผลการวิจัยยืนยันว่า SMOTE ช่วยปรับปรุงความสามารถในการจำแนกข้อมูลชนกลุ่มน้อยทำให้โมเดลมีความแม่นยำและเหมาะสมต่อการใช้งานในบริบทที่ข้อมูลมีความไม่สมดุล โดยเข้ามาช่วยลดเวลาในการคัดเลือกบุคคลของฝ่ายสรรหาบุคลากรได้อีกด้วย https://so13.tci-thaijo.org/index.php/jcct/article/view/1557ความไม่สมดุลของคลาสSMOTEการเรียนรู้ของเครื่องการจำแนกเรซูเม่ |
| spellingShingle | วริสรา วสุอารยะศักดิ์ ณัฐดนัย มังคลัง จิรภัทร สมเสียง ชัยศิริ สนิทพลกลาง การปรับปรุงประสิทธิภาพการเรียนรู้ของเครื่องจักรในข้อมูลเรซูเม่ที่ไม่สมดุลโดยใช้ SMOTE สำหรับการจำแนกประเภทผู้สมัครงาน Journal of Computer and Creative Technology ความไม่สมดุลของคลาส SMOTE การเรียนรู้ของเครื่อง การจำแนกเรซูเม่ |
| title | การปรับปรุงประสิทธิภาพการเรียนรู้ของเครื่องจักรในข้อมูลเรซูเม่ที่ไม่สมดุลโดยใช้ SMOTE สำหรับการจำแนกประเภทผู้สมัครงาน |
| title_full | การปรับปรุงประสิทธิภาพการเรียนรู้ของเครื่องจักรในข้อมูลเรซูเม่ที่ไม่สมดุลโดยใช้ SMOTE สำหรับการจำแนกประเภทผู้สมัครงาน |
| title_fullStr | การปรับปรุงประสิทธิภาพการเรียนรู้ของเครื่องจักรในข้อมูลเรซูเม่ที่ไม่สมดุลโดยใช้ SMOTE สำหรับการจำแนกประเภทผู้สมัครงาน |
| title_full_unstemmed | การปรับปรุงประสิทธิภาพการเรียนรู้ของเครื่องจักรในข้อมูลเรซูเม่ที่ไม่สมดุลโดยใช้ SMOTE สำหรับการจำแนกประเภทผู้สมัครงาน |
| title_short | การปรับปรุงประสิทธิภาพการเรียนรู้ของเครื่องจักรในข้อมูลเรซูเม่ที่ไม่สมดุลโดยใช้ SMOTE สำหรับการจำแนกประเภทผู้สมัครงาน |
| title_sort | การปรับปรุงประสิทธิภาพการเรียนรู้ของเครื่องจักรในข้อมูลเรซูเม่ที่ไม่สมดุลโดยใช้ smote สำหรับการจำแนกประเภทผู้สมัครงาน |
| topic | ความไม่สมดุลของคลาส SMOTE การเรียนรู้ของเครื่อง การจำแนกเรซูเม่ |
| url | https://so13.tci-thaijo.org/index.php/jcct/article/view/1557 |
| work_keys_str_mv | AT wrisrāwsuxāryaṣạkdi kārprạbprungprasithṭhiphāphkārreīynrūkhxngkherụxngcạkrnıkĥxmūlresūmèthīmịsmduldoychısmotesảhrạbkārcảnækpraphethphūsmạkhrngān AT ṇạṭhdnạymạngkhlạng kārprạbprungprasithṭhiphāphkārreīynrūkhxngkherụxngcạkrnıkĥxmūlresūmèthīmịsmduldoychısmotesảhrạbkārcảnækpraphethphūsmạkhrngān AT cirphạthrsmseīyng kārprạbprungprasithṭhiphāphkārreīynrūkhxngkherụxngcạkrnıkĥxmūlresūmèthīmịsmduldoychısmotesảhrạbkārcảnækpraphethphūsmạkhrngān AT chạyṣirisnithphlklāng kārprạbprungprasithṭhiphāphkārreīynrūkhxngkherụxngcạkrnıkĥxmūlresūmèthīmịsmduldoychısmotesảhrạbkārcảnækpraphethphūsmạkhrngān |