បញ្ហា (The Problem)៖ ការសិក្សានេះផ្តោតលើការដោះស្រាយបញ្ហាទិន្នន័យមិនមានតុល្យភាព (Imbalanced Data) ក្នុងការទស្សន៍ទាយ និងធ្វើរោគវិនិច្ឆ័យជំងឺរលាកថ្លើមប្រភេទសេ (HCV) និងកម្រិតធ្ងន់ធ្ងររបស់វា។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះត្រូវបានអនុវត្តជាបួនជំហាន ដោយប្រើប្រាស់សំណុំទិន្នន័យ (Dataset) ជំងឺរលាកថ្លើមពីបណ្ណាល័យ UCI ជាមួយនឹងបច្ចេកទេសរៀនដោយម៉ាស៊ីន (Machine Learning)។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Random Forest with Over-sampling ក្បួនដោះស្រាយ Random Forest រួមផ្សំជាមួយបច្ចេកទេស Over-sampling |
ទទួលបានលទ្ធផលខ្ពស់បំផុតក្នុងការទស្សន៍ទាយ និងមានសមត្ថភាពល្អក្នុងការបែងចែកកម្រិតធ្ងន់ធ្ងរនៃជំងឺដោយមានស្ថេរភាព។ វាដោះស្រាយបញ្ហាទិន្នន័យមិនមានតុល្យភាពបានយ៉ាងមានប្រសិទ្ធភាព។ | ទោះបីជាលទ្ធផលល្អឥតខ្ចោះ (៩៩.៩%) ប៉ុន្តែអាចមានហានិភ័យនៃ Overfitting ដោយសារបច្ចេកទេស Random Over-sampling ចម្លងទិន្នន័យដដែលៗច្រើនដង។ | ទទួលបានភាពត្រឹមត្រូវ (Accuracy) ភាពរសើប (Sensitivity) និង F-measure រហូតដល់ ៩៩.៩% និងភាពជាក់លាក់ (Specificity) ១០០% លើសំណុំទិន្នន័យ O-dataset។ |
| Multi-layer Perceptron (MLP) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត Multi-layer Perceptron |
មានដំណើរការល្អជាងគេ និងមានស្ថេរភាពនៅលើសំណុំទិន្នន័យដើមដែលមិនមានតុល្យភាព (Original dataset) បើប្រៀបធៀបទៅនឹងក្បួនដោះស្រាយផ្សេងទៀត។ | ត្រូវការពេលវេលាបង្វឹក (Training time) យូរជាងគេ និងមានលក្ខណៈជាប្រអប់ខ្មៅ (Black box) ដែលពិបាកក្នុងការពន្យល់ពីមូលហេតុនៃការសម្រេចចិត្តរបស់ម៉ូដែល។ | ទទួលបានភាពត្រឹមត្រូវលើយកគំរូលើលុប (O-dataset) ៩៦.៤% និងមាន F-measure ៩២.៩% លើទិន្នន័យដើម (Original dataset)។ |
| J48 (Decision Tree) មែកធាងសម្រេចចិត្ត J48 |
ងាយស្រួលក្នុងការយល់ដឹង និងអាចបកស្រាយពីវិធាននៃការសម្រេចចិត្ត (Decision rules) បានយ៉ាងច្បាស់លាស់ដល់គ្រូពេទ្យនិងអ្នកប្រើប្រាស់។ | ដំណើរការទាបជាង Random Forest បន្តិច និងងាយរងឥទ្ធិពលពីបម្រែបម្រួលនៃទិន្នន័យ (Variance) ដែលធ្វើឲ្យលទ្ធផលអាចមិនសូវមានស្ថេរភាព។ | ទទួលបានភាពត្រឹមត្រូវ ៩៨% ភាពរសើប ៩៨% និងភាពជាក់លាក់ ៩៩.៦% នៅលើសំណុំទិន្នន័យ O-dataset។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារស្រាវជ្រាវនេះមិនបានបញ្ជាក់លម្អិតពីតម្លៃធនធានដែលបានចំណាយនោះទេ ប៉ុន្តែផ្អែកលើបច្ចេកទេសដែលបានប្រើប្រាស់ យើងអាចប៉ាន់ស្មានតម្រូវការធនធានចាំបាច់មួយចំនួន។
ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យពីបណ្ណាល័យ UCI ដែលទំនងជាប្រមូលផ្តុំពីប្រជាជននៅតំបន់អឺរ៉ុបឬលោកខាងលិច ហើយមានចំនួនអ្នកជំងឺរលាកថ្លើមប្រភេទសេ (HCV) តិចតួចណាស់ (៧៥ នាក់) ធៀបនឹងអ្នកមានសុខភាពល្អ។ នេះជាបញ្ហាសម្រាប់ប្រទេសកម្ពុជា ព្រោះប្រជាសាស្ត្រ របបអាហារ កត្តាហ្សែន និងប្រភេទមេរោគរលាកថ្លើមរបស់ប្រជាជនខ្មែរអាចមានភាពខុសគ្នា ដែលតម្រូវឲ្យមានទិន្នន័យក្នុងស្រុកដើម្បីជៀសវាងភាពលំអៀងរបស់ម៉ូដែល។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់ និងអាចយកមកអនុវត្តជាក់ស្តែងនៅប្រទេសកម្ពុជា ដើម្បីជួយសម្រួលដល់ការធ្វើរោគវិនិច្ឆ័យជំងឺរលាកថ្លើមដែលជាបញ្ហាសុខភាពសាធារណៈដ៏ចម្បងមួយ។
ជារួម ការប្រើប្រាស់បច្ចេកទេស Machine Learning រួមជាមួយវិធីសាស្ត្រធ្វើឲ្យទិន្នន័យមានតុល្យភាព អាចក្លាយជាឧបករណ៍ដ៏មានប្រសិទ្ធភាពក្នុងការធ្វើរោគវិនិច្ឆ័យជំងឺរលាកថ្លើមបានទាន់ពេលវេលា និងកាត់បន្ថយអត្រាស្លាប់ពីជំងឺក្រិនថ្លើមនៅកម្ពុជា ប្រសិនបើត្រូវបានបង្វឹកជាមួយទិន្នន័យក្នុងស្រុក។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Imbalanced Data | គឺជាស្ថានភាពដែលទិន្នន័យក្នុងការសិក្សាមានចំនួនលំអៀងខ្លាំងទៅរកក្រុមណាមួយ (ឧទាហរណ៍ អ្នកមានសុខភាពល្អមានចំនួនច្រើនលើសលប់ ខណៈអ្នកមានជំងឺមានចំនួនតិចតួច) ដែលធ្វើឲ្យម៉ាស៊ីន (Machine Learning) រៀនចេះតែទាយរកក្រុមដែលមានគ្នាច្រើន។ | ដូចជាការបង្រៀនក្មេងឲ្យស្គាល់សត្វ ដោយបង្ហាញរូបឆ្កែ១០០សន្លឹក និងរូបឆ្មាត្រឹមតែ១សន្លឹក ដែលធ្វើឲ្យក្មេងនោះស្គាល់តែឆ្កែ តែមិនសូវស្គាល់ឆ្មា។ |
| Over-sampling | ជាបច្ចេកទេសកែច្នៃទិន្នន័យដែលមិនមានតុល្យភាព ដោយធ្វើការចម្លង (Duplicate) ឬបង្កើតទិន្នន័យថ្មីបន្ថែមក្នុងក្រុមដែលមានចំនួនតិច ឲ្យកើនឡើងរហូតដល់មានចំនួនស្មើគ្នានឹងក្រុមដែលមានចំនួនច្រើន។ | ដូចជាការថតចម្លង (Copy) សៀវភៅមេរៀនដែលខ្វះខាតចែកឲ្យសិស្ស ដើម្បីឲ្យសិស្សគ្រប់រូបមានសៀវភៅអានគ្រប់ៗគ្នាសម្រាប់ត្រៀមប្រឡង។ |
| Under-sampling | ជាបច្ចេកទេសធ្វើឲ្យទិន្នន័យមានតុល្យភាព ដោយធ្វើការលុបចោលដោយចៃដន្យនូវកំណត់ត្រាមួយចំនួនពីក្រុមដែលមានទិន្នន័យច្រើនលើសលប់ ដើម្បីឲ្យចំនួនធ្លាក់ចុះមកស្មើនឹងក្រុមដែលមានទិន្នន័យតិច។ | ដូចជាការកាត់បន្ថយចំនួនសិស្សក្នុងថ្នាក់ធំមួយចំនួនចេញ ដើម្បីឲ្យចំនួនសិស្សនៅសល់ស្មើគ្នានឹងថ្នាក់តូចមួយទៀត ងាយស្រួលក្នុងការប្រកួតកីឡា។ |
| 10-fold cross-validation | គឺជាវិធីសាស្ត្រវាយតម្លៃសមត្ថភាពម៉ូដែល ដោយបែងចែកទិន្នន័យសរុបជា ១០ ចំណែកស្មើៗគ្នា រួចយក ៩ ចំណែកទៅបង្រៀនម៉ូដែល និង ១ ចំណែកទៀតទៅតេស្តសមត្ថភាព ដោយធ្វើការឆ្លាស់គ្នាបែបនេះចំនួន ១0 ជុំ។ | ដូចជាការបែងចែកមេរៀនជា ១០ ជំពូក ហើយសិស្សត្រូវប្រឡង ១០ ដង ដោយម្តងៗគ្រូចេញវិញ្ញាសាតាមជំពូកផ្សេងៗគ្នា ដើម្បីឲ្យប្រាកដថាសិស្សពិតជាចេះមេរៀនទាំងអស់មែន។ |
| Multi-layer perceptron (MLP) | ជាប្រភេទបណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (Neural Network) ដែលមានស្រទាប់ជាច្រើនតភ្ជាប់គ្នា វាអាចរៀនពីទំនាក់ទំនងដ៏ស្មុគស្មាញនៃទិន្នន័យបញ្ចូល ដើម្បីធ្វើចំណាត់ថ្នាក់ឬទស្សន៍ទាយលទ្ធផល ស្រដៀងទៅនឹងរបៀបធ្វើការនៃខួរក្បាលមនុស្ស។ | ដូចជាខ្សែសង្វាក់ផលិតកម្មក្នុងរោងចក្រដែលមានច្រើនដំណាក់កាល តាំងពីអ្នកទទួលវត្ថុធាតុដើម អ្នកកែច្នៃ និងអ្នកវេចខ្ចប់ ដែលធ្វើការបន្តបន្ទាប់គ្នាដើម្បីបញ្ចេញផលិតផលសម្រេច។ |
| Random forest | គឺជាក្បួនដោះស្រាយដែលបង្កើតនូវមែកធាងសម្រេចចិត្ត (Decision Trees) ជាច្រើនបញ្ចូលគ្នា ហើយយកការបោះឆ្នោតជាសម្លេងភាគច្រើនពីមែកធាងទាំងអស់នោះ ដើម្បីសម្រេចលទ្ធផលចុងក្រោយ ដែលជួយកាត់បន្ថយភាពខុសឆ្គងបានយ៉ាងល្អ។ | ដូចជាការសួរយោបល់ពីវេជ្ជបណ្ឌិតឯកទេសចំនួន ១០០ នាក់ផ្សេងៗគ្នា ហើយយកចម្លើយដែលគ្រូពេទ្យភាគច្រើនយល់ស្របជាងគេ មកធ្វើជាសេចក្តីសម្រេចចិត្តចុងក្រោយ។ |
| F-measure | ជារង្វាស់ភាគរយសម្រាប់វាយតម្លៃគុណភាពម៉ូដែលម៉ាស៊ីន ដោយគណនាបញ្ចូលគ្នារវាងភាពជាក់លាក់ (Precision) និងភាពរសើប (Sensitivity) ដែលវាជាសូចនាករស័ក្តិសមបំផុតសម្រាប់វាស់ស្ទង់សមត្ថភាពម៉ូដែលលើទិន្នន័យដែលមិនមានតុល្យភាព។ | ដូចជាការវាយតម្លៃសិស្សពូកែដោយមិនមើលតែពិន្ទុសរុបទេ តែត្រូវធានាថាសិស្សនោះពូកែទាំងមុខវិជ្ជាគណិតវិទ្យា និងអក្សរសាស្ត្រក្នុងពេលតែមួយ ទើបទទួលស្គាល់ថាពូកែមែន។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
