การปรับปรุงประสิทธิภาพการเรียนรู้ของเครื่องจักรในข้อมูลเรซูเม่ที่ไม่สมดุลโดยใช้ SMOTE สำหรับการจำแนกประเภทผู้สมัครงาน
DOI:
https://doi.org/10.14456/jcct.2025.4คำสำคัญ:
ความไม่สมดุลของคลาส, SMOTE, การเรียนรู้ของเครื่อง, การจำแนกเรซูเม่บทคัดย่อ
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
Downloads
เอกสารอ้างอิง
Akkharatwiwatthanathorn S. (2020). Artificial Intelligence Innovation with Recruitment. [Master's dissertation, Mahidol University]. CMMU Digital Archive. https://archive.cm.mahidol.ac.th/handle/123456789/3777. (In Thai)
Ali, I., Mughal, N., Khan, Z. H., Ahmed, J., & Mujtaba, G. (2022). Resume Classification System using Natural Language Processing and Machine Learning Techniques. Mehran University Research Journal of Engineering and Technology, 41(1), 65–79. https://doi.org/10.22581/muet1982.2201.07.
Aubaidan, B. H., Kadir, R. A., & Ijab, M. T. (2024). A Comparative Analysis of Smote and CSSF Techniques for Diabetes Classification Using Imbalanced Data. Journal of Computer Science, 20(9), 1146–1165. https://doi.org/10.3844/jcssp.2024.1146.1165
Boonchob, T. (2022). Job-candidate Classifying and Ranking System with Machine Learning Method. [Master's dissertation, Chulalongkorn University]. Chula Digital Collections. https://digital.car.chula.ac.th/chulaetd/5817. (In Thai)
Chawla, N. V., Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research, 16, 321–357. https://doi.org/10.1613/jair.953.
Cheng, D., Zhang, S., Deng, Z., Zhu, Y., & Zong, M. (2014). kNN Algorithm with Data-Driven k Value. In Luo, X., Yu, J. X., & Li, Z. (Eds), Advanced Data Mining and Application (8933, 499–512). Springer International Publishing. https://doi.org/10.1007/978-3-319-14717-8_39.
Gehrke, J., Ramakrishnan, R., & Ganti, V. (2000). RainForest-A Framework for Fast Decision Tree Construction of Large Datasets. Data Mining and Knowledge Discovery, 4(2/3), 127–162. https://doi.org/10.1023/A:1009839829793.
Maurya, L. S., Hussain, M. S., & Singh, S. (2022). Machine Learning Classification Models for Student Placement Prediction Based on Skills. International Journal of Artificial Intelligence and Soft Computing, 7(3), 194–207. https://doi.org/10.1504/IJAISC.2022.10051214.
Modak, S., Shinde, P., Tiwari, A., & Nalamwar, S. (2024). A Review of Resume Analysis and Job Description Matching Using Machine Learning. International Journal on Recent and Innovation Trends in Computing and Communication, 12(2), 247–250.
Patel, B. R., & Rana, K. K. (2014). A Survey on Decision Tree Algorithm for Classification. International Journal of Engineering Development and Research, 2(1), 1–5.
Patil, P. R. (2023). Resume Classification-based on Personality using Machine Learning Algorithm. International Journal of Scientific and Research Publications, 13(2), 335–341. https://doi.org/10.29322/IJSRP.13.02.2023.p13440.
Posri, N. (2024). Machine Learning-Based Multiclass Classification for Predicting the Cumulative Blood Sugar Levels in Type 2 Diabetes Patient [Master's dissertation, Sukhothai Thammathirat Open University]. STOUIR at Sukhothai Thammathirat Open University. https://ir.stou.ac.th/handle/123456789/13029. (In Thai)
Rezki, M. K., Mazdadi, M. I., Indriani, F., Muliadi, M., Saragih, T. H., & Athavale, V. A. (2024). Application Of SMOTE To Address Class Imbalance in Diabetes Disease Classification Utilizing C5.0, Random Forest, And SVM. Journal of Electronics, Electromedical Engineering, and Medical Informatics, 6(4), 343–354. https://doi.org/10.35882/jeeemi.v6i4.434.
Sanitphonklang, C. (2023). The Identification of Root and Stem Rot Disease of Durian Trees by Algorithm Decision Tree. Journal of Science Ladkrabang, 32(1), 72–87. (In Thai)
Simarmata, J. E., Weber, G.-W., & Chrisinta, D. (2024). Performance Evaluation of Classification Methods on Big Data: Decision Trees, Naive Bayes, K-Nearest Neighbors, and Support Vector Machines. Jurnal Matematika, Statistika Dan Komputasi, 20(3), 623–638. https://doi.org/10.20956/j.v20i3.32970.
Sun, S., Zhou, X., Wei, J., Xiao, Y., & Wang, J. (2023, November 17-19). An Optimization of SMOTE for Anomaly Detection Based on High Contribution Sample Screening. 2023 China Automation Congress (CAC), 2010–2014. https://doi.org/10.1109/CAC59555.2023.10451412.
Valen-Dacanay, J. G., & Palaoag, T. D. (2023, March 18-20). Exploring The Learning Analytics of Skill-Based Course Using Machine Learning Classification Models. 2023 11th International Conference on Information and Education Technology (ICIET), 411–415. https://doi.org/10.1109/ICIET56899.2023.10111210.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
หมวดหมู่
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2025 วารสารคอมพิวเตอร์และเทคโนโลยีสร้างสรรค์
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
