Ангилагчийн гүйцэтгэлийг үнэлэх хэмжүүр Өсвөр үеийхний сэтгэл хөдлөлийн өгөгдөл
DOI:
https://doi.org/10.22353/mjeas.v5i2.4996Keywords:
Өгөгдлийн тандалт, ангилал, C5.0, RIPPER, бейсийн ангилал, sensitivity, статистик тестAbstract
ДЭМБ-ын судалгаагаар дэлхий дахинаа хүүхэд, өсвөр насныхны 20% сэтгэц, зан үйлийн эмгэгтэй ба ихэнх эмгэг өсвөр насанд эхлэн илэрдэг. Бид энэхүү судалгааны ажлаар Говь-Алтай аймгийн 3764 сурагчдаас онлайнаар өсвөр насныхны сэтгэл хөдлөл, зан үйлийн илрэлийг үнэлэх SDQ асуумж авч, сурагч, эцэг/эх асран хамгаалагч, багшийн үнэлгээний сангууд үүсгэн өсвөр насныхны сэтгэл хөдлөл, зан үйлийн илрэлийн үнэлгээний өгөгдөлд ангиллын аргуудыг туршин тэдний сэтгэцийн эрүүл мэндийн төлөвийг таамаглахыг зорилоо. Сурагчийн үнэлгээний санд шийдвэрийн модны С50 алгоритм, бэйсийн ангилал, дүрэмд үндэслэсэн ангиллын RIPPER алгоритмаар ангилагчууд байгуулахад бейсийн ангиллаар тооцоолсон ангилагчийн гүйцэтгэлийг үнэлэх хэмжүүр нарийвчлал бусдаас 1-2% их, sеnsitivity 89% specificity 88% буй нь сурагчдын сэтгэл хөдлөлийн зааг, хэвийн бус илрэлийг жигдхэн ангилсан байна.
Downloads
References
Soumen Chakrabarti ME. Data Mining Curriculum: A Proposal (Version 1.0). Intensive Working Group of ACM SIGKDD Curriculum Committee. 2006:1-10.
Trevor Hastie RT. The elements of statistical learning: data mining, inference, and prediction. Springer. 2009;2.
Han J, Kamber M. Data Mining Concepts and Techniques. imprint of Elsevier. 2006:559 569.
Arockiam L, Charles S. Deriving Association between Urban and Rural Students Programming Skills. International Journal on Computer Science and Engineering. 2010:687 690.
Vaanchindorj B. Өсвөр насныхны сэтгэл хөдлөл, зан үйлийн судалгаа, Ulaanbaatar city. 2019.
Wu WT, Li YJ. Data mining in clinical big data: the frequently used databases, steps, and methodological models. Military Medical Research. 2021:1-12.
Tate AE, McCabe RC, Larsson H, Lundstrom S, Lichtenstein P, Kuja-Halkola R. Predicting mental health problems in adolescence using machine learning techniques. PloS one. 2020;15(4):e0230389.
Han J, Kamber M, Pei J. Data mining concepts and techniques third edition. University of Illinois at Urbana-Champaign Micheline Kamber Jian Pei Simon Fraser University. 2012.
Raschka S. An overview of general performance metrics of binary classier systems. arXiv preprint arXiv:14105330. 2014.
Hossin M, Sulaiman MN. A review on evaluation metrics for data classication evaluations. International journal of data mining & knowledge management process. 2015;5(2):1.
Totsch N HD. Classifier uncertainty: evidence, potential impact, and probabilistic treatment. PeerJ Comput Sci. 2021:398-402.
Goodman R. The Strengths and Difficulties Questionnaire (SDQ), in Innovations in clinical practice: Focus on children and adolescents. Professional Resource Press/Professional Resource Exchange, Inc p. 2003:109-11.
Palmov SV, Miftakhova AA. Comparison of classiffication algorithms C4. 5 and C5. 0. Infokommunikacionnye tehnologii. 2015:467-71.
Max Kuhn SW Jed Wing. Package `caret'. The R Journal. 2020:223.
Max Kuhn SW Jed Wing. A Short Introduction to the caret Package'. R Found Stat Comput. 2015:1-10.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2023 Mongolian Journal of Engineering and Applied Sciences
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
