การวิเคราะห์เชิงเปรียบเทียบแบบจําลองการถดถอย: กรณีศึกษา KNN Regression เทียบกับ Multiple Linear Regression
Article Sidebar
Main Article Content
บทคัดย่อ
บทความวิจัยนี้นําเสนอการประยุกต์ใช้ K-Nearest Neighbors (KNN) Algorithm ในฐานะแบบจําลองการถดถอย (Regression Model) สําหรับการทํานายค่าตัวเลข โดยนําเสนอ KNN Regression เป็นแบบจําลองทางเลือกสําหรับปัญหาที่ความสัมพันธ์ของข้อมูลไม่เป็นเชิงเส้นหรือเป็นเชิงเส้นอย่างไม่ชัดเจน ซึ่งแบบจําลองการถดถอยเชิงเส้นทั่วไปมักมีข้อจํากัด ผลการทดลองมุ่งเน้นการเปรียบเทียบประสิทธิภาพของ KNN Regression กับแบบจําลองการถดถอยเชิงเส้นพหุคูณ (Multiple Linear Regression) กับชุดข้อมูลจริงจำนวน 5 ชุด เพื่อแสดงให้เห็นถึงศักยภาพของ KNN Regression ในการทํานายค่าตัวเลขได้อย่างแม่นยําเพิ่มขึ้น นอกจากนั้นยังได้ศึกษาถึงการปรับแต่งพารามิเตอร์ของ KNN Regression อย่างละเอียด เช่น ผลกระทบของการเลือกค่า K (จํานวนเพื่อนบ้าน) วิธีการวัดระยะห่าง (Distance Metrics) รวมทั้งเทคนิค Inverse Distance Weighting (IDW) ในการถ่วงน้ำหนักเพื่อนบ้าน ผลการวิจัยนี้ชี้ให้เห็นว่า KNN Regression เป็นทางเลือกของแบบจําลองการถดถอยที่มีประสิทธิภาพ และน่าสนใจสําหรับการทํานายค่าตัวเลข โดยเฉพาะอย่างยิ่งในสถานการณ์ที่ข้อมูลมีความซับซ้อนและไม่มีความสัมพันธ์เชิงเส้นตรงที่ชัดเจน โดยไม่จําเป็นต้องใช้แบบจําลองที่ซับซ้อนอย่างโครงข่ายประสาทเทียม
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of TCI is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information...
เอกสารอ้างอิง
U. Grömping, “Variable importance in regression models,” Wiley Interdisciplinary Reviews: Computational Statistics., vol. 7,
no. 2, pp. 137–152, 2015.
A. Zapf, C. Wiessner, and I. R. König, “Regression analyses and their particularities in observational studies: Part 32 of a series on evaluation of scientific publications,” Deutsches Ärzteblatt International., vol. 121, no. 4, pp. 128, 2024.
A. Khazaee Poul, M. Shourian, and H. Ebrahimi, “A comparative study of MLR, KNN, ANN and ANFIS models with wavelet transform in monthly stream flow prediction,” Water Resources Management., vol. 33, no. 8, pp. 2907–2923, 2019.
D. N. Cosenza, L. Korhonen, M. Maltamo, P. Packalen, J. L. Strunk, E. Næsset, T. Gobakken, P. Soares, and M. Tomé, “Comparison of linear regression, k-nearest neighbour and random forest methods in airborne laser-scanning-based prediction of growing stock,” Forestry: An International Journal of Forest Research., vol. 94, no. 2, pp. 311–323, 2021.
H. A. Abu Alfeilat, A. B. Hassanat, O. Lasassmeh, A. S. Tarawneh, M. B. Alhasanat, H. S. E. Salman, and V. S. Prasath, “Effects of distance measure choice on k-nearest neighbor classifier performance: a review,” Big Data., vol. 7, no. 4, pp. 221–248, 2019.
A. İ. Çetin and A. H. Büyüklü, “A new approach to K-nearest neighbors distance metrics on sovereign country credit rating,” Kuwait Journal of Science., vol. 52, no. 1, p. 100324, 2025.
M. M. Kumbure and P. Luukka, “A generalized fuzzy k-nearest neighbor regression model based on Minkowski distance,” Granular Computing., vol. 7, no. 3, pp. 657–671, 2022.
G. Zhao, Z. Li, and M. Yang, “Comparison of twelve machine learning regression methods for spatial decomposition of demographic data using multisource geospatial data: An experiment in Guangzhou City, China,” Applied Sciences., vol. 11, no. 20, p. 9424, 2021.
S. Uddin, I. Haque, H. Lu, M. A. Moni, and E. Gide, “Comparative performance analysis of K-nearest neighbour (KNN) algorithm and its different variants for disease prediction,” Scientific Reports., vol. 12, no. 1, Article 6256, 2022.
M. J. Hosen and I. Ahmed, “Comparison of Regression, K-Nearest Neighbors (KNN) and Multi-Layer Perceptron (MLP) Models for the Prediction of Weight, Gender and Body Mass Index Status,” International Journal of Computer Applications., vol. 185, no. 29, Aug. 2023.
Z. N. Liu, X. Y. Yu, L. F. Jia, Y. S. Wang, Y. C. Song, and H. D. Meng, “The influence of distance weight on the inverse distance weighted method for ore-grade estimation,” Scientific Reports., vol. 11, no. 1, p. 2689, 2021.
P. Srisuradetchai and K. Suksrikran, “Random kernel k-nearest neighbors regression,” Frontiers in Big Data., vol. 7, Article 1402384, 2024.
A. M. Raheem, I. J. Naser, M. O. Ibrahim, and N. Q. Omar, “Inverse distance weighted (IDW) and kriging approaches integrated with linear single and multi-regression models to assess particular physico-consolidation soil properties for Kirkuk city,” Modeling Earth Systems and Environment., vol. 9, no. 4, pp. 3999–4021, 2023.
