วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2548

การจำแนกประเภทเชิงความสัมพันธ์เป็นวิธีการหนึ่ง ที่ใช้สร้างตัวจำแนกประเภทข้อมูลทีมีความแม่นยำ และให้กฎจำแนกประเภทที่เข้าใจได้ง่าย อย่างไรก็ตาม ขั้นตอนวิธี CBA ซึ่งเป็นต้นแบบของการจำแนกประเภทเชิงความสัมพันธ์ ยังมีข้อจำกัดเกี่ยวกับวิธีการสร้างตัวจำแนกประเภทข้อมูล ส่งผลให้ความแม่นยำของขั้นตอนวิธี CBA ด้อยกว่าขั้นตอนวิธีประเภทเดียวกัน ที่เกิดขึ้นในภายหลัง งานวิจัยนี้จึงนำเสนอการประยุกต์ใช้แบ็กพรอพาเกชันนิวรอลเน็ตเวิร์ก เพื่อจำแนกประเภทจากฎความสัมพันธ์ของประเภท ผู้วิจัยได้นำนิวรอลเน็ตเวิร์กมาใช้กับการจำแนกประเภทข้อมูลใน 2 ลักษณะคือ เพื่อคัดเลือกกฎความสัมพันธ์ของประเภทที่ใช้จำแนกประเภทข้อมูล และเพื่อจำแนกประเภทข้อมูลโดยตรง ข้อดีของวิธีการที่นำเสนอคือ การนำความรู้ก่อนหน้าซึ่งอยู่ในรูปแบบกฎความสัมพันธ์ ของประเภทที่ค้นพบในขั้นจตอนการค้นหากฎความสัมพันธ์ของประเภท มาช่วยกำหนดโครงสร้างของนิวรอลเน็ตเวิร์กที่จะใช้เรียนรู้ เพื่อสร้างตัวจำแนกประเภทข้อมูลสำหรับข้อมูลใหม่ด้วยความแม่นยำที่มากยิ่งขึ้น ผลการทดลองโดยเปรียบเทียบวิธีการนำเสนอกับวิธีการเรียนรู้ของเครื่องแบบ C4.5 ขั้นตอนวิธี CBA เดิม และ CPAR แสดงให้เห็นว่าวิธีการที่นำเสนอนี้ ให้ผลลัพธ์ความแม่นยำของการจำแนกประเภทข้อมูลที่ดีที่สุด