C5.0 алгоритмд суурилсан сэтгэл ханамжийн ангиллын дүрэмт загварын судалгаа

Хураангуй

Үндэслэл: Likert төрлийн асуулгад суурилсан өгөгдлийг сэтгэл ханамжийг үнэлэхэд өргөн ашигладаг боловч бодит хэрэглээнд зөвхөн ангиллын өндөр нарийвчлал бус, загварын тайлбарлах чадвар чухал шаардлагатай болдог. Дүрэмд суурилсан машин сургалтын аргууд нь эдгээр хоёр шаардлагыг зэрэг хангах боломж олгодог. Сүүлийн жилүүдэд машин сургалтын аргуудыг ашиглан ангилал, таамаглал хийх судалгаа эрчимтэй хөгжиж байгаа ч сэтгэл ханамжийн Likert төрлийн асуулгад С5.0 ангиллын алгоритм ашиглсан судалгаа хомс байгаа тул уг судалгааг хийх үндэслэл болсон. Зорилго: Сэтгэл ханамжийн хоёр ангиллыг (High/Medium) таамаглахад C5.0 ангиллын алгоритмыг 10fold cross-validation аргаар хэрэгжүүлж, загварын гүйцэтгэл болон тайлбарлах чадварыг үнэлэх. Арга, аргачлал: Судалгааг АШУҮИСийн Био-Анагаахын сургуулийн Физик мэдээлэл зүйн тэнхимийг түшиглэн Эрүүл мэндийн мэдээллийн технологич мэргэжлээр төгссөн төгсөгчдийн сэтгэл ханамжийн судалгааны өгөгдлийг ашиглан хийсэн. Судалгаанд Likert төрлийн дөрвөн хувьсагч (V1–V4) бүхий өгөгдлийг ашигласан. C5.0 загварыг параметрийн торон хайлтаар сургаж, 10-fold cross-validation-ын хүрээнд accuracy болон confusion matrix ашиглан үнэлсэн. Мөн эцсийн дүрэмд суурилсан загвараас IF–THEN дүрмүүдийг гарган авч, шийдвэрийн логикийг flowchart хэлбэрээр дүрсэлсэн. Үр дүн: Судалгааны үр дүнд дүрэмд суурилсан C5.0 загвар хамгийн оновчтой гэж сонгогдож, cross-validation-ын хүрээнд тогтвортой гүйцэтгэл үзүүлсэн. Confusion matrix-ийн үр дүн нь High ангиллыг өндөр нарийвчлалтай илрүүлж байгааг харуулсан. Гарсан дүрмүүдээс V4 болон V2 хувьсагчид сэтгэл ханамжийг тодорхойлох голлох нөлөөтэй болох нь илэрхий болсон. Дүгнэлт: C5.0 алгоритмыг cross-validation-ын хүрээнд ашиглах нь Likert өгөгдөлд суурилсан сэтгэл ханамжийн ангиллыг үр дүнтэй, ойлгомжтой байдлаар гүйцэтгэх боломжтой ба дүрэмд суурилсан бүтэц нь загварыг тайлбарлах, шийдвэр дэмжих хэрэглээнд ашиглахад тохиромжтой давуу тал болж байгаа нь тус тус батлагдлаа.