วิธีการรวมที่มีการคัดเลือกตัวแปรอย่างสุ่มและการสุ่มตัวอย่างด้วยวิธีบูตสแทร็ปสำหรับเกาส์เซียนนาอีฟเบส์

การจำแนกข้อมูลด้วยตัวแบบนาอีฟเบส์ (Naïve Bayes) เป็นตัวแบบหนึ่งที่มีประสิทธิภาพในการจำแนกข้อมูลด้วยการคำนวณความน่าจะเป็นแบบมีเงื่อนไขของเหตุการณ์ หรือ ตัวแปรอิสระที่เกี่ยวข้อง เพื่อทำนายว่าข้อมูลอยู่ในกลุ่มใดตามทฤษฎีของเบส์ ตัวแบบนี้จึงวิเคราะห์ข้อมูลอย่างง่ายไม่ซับซ้อน แต่มีข้อจำกัดในเรื่องของตัวแปรอิสระที่นำมาวิเคราะห์จะต้องมีความอิสระต่อกัน ในความเป็นจริงข้อมูลทั่วไปที่นำมาวิเคราะห์นั้นมีตัวแปรอิสระบางส่วนที่มีความสัมพันธ์กันเอง ทำให้ประสิทธิภาพในการวิเคราะห์ลดลง ดังนั้น งานวิจัยนี้จึงมีวัตถุประสงค์ในการปรับตัวแบบนาอีฟเบส์ให้มีความแม่นยำ และมีความแกร่งในการจำแนกมากขึ้นด้วยการศึกษาแนวคิดจากตัวแบบอื่นมาปรับใช้ ร่วมกับวิธีการเลือกเสียงข้างมากจากการรวมผลการทำนายเพื่อนำเสนอ 2 ตัวแบบ คือ ตัวแบบคัดเลือกตัวแปรอย่างสุ่มนาอีฟเบส์ (Randomized Feature Naïve Bayes (RF-NB)) และตัวแบบคัดเลือกตัวแปรอย่างสุ่มร่วมกับบูตสแทร็ปนาอีฟเบส์ (Randomized Feature with Bootstrap sampling Naïve Bayes (RFB-NB)) โดยภายในงานวิจัยยังมีการจำลองข้อมูลหลายขนาด กำหนดจำนวนตัวแปรอิสระ ความสัมพันธ์ของตัวแปรอิสระรวมถึงจำนวนกลุ่มของตัวแปรตามให้มีความแตกต่างกัน และใช้ข้อมูลจริงจำนวน 20 ชุด ที่มีลักษณะข้อมูลที่ต่างกันเพื่อให้มีความหลากหลาย แล้วจึงเปรียบเทียบประสิทธิภาพกับตัวแบบอื่น ๆ ผ่านเกณฑ์ในการวัดประสิทธิภาพตัวแบบ ผลการศึกษาพบว่าประสิทธิภาพในการจำแนกของตัวแบบนาอีฟเบส์มากขึ้น เมื่อขนาดของตัวอย่างเพิ่มขึ้นและประสิทธิภาพลดลงเมื่อตัวแปรอิสระมีความสัมพันธ์กันในทุกกรณีศึกษา และการพัฒนาตัวแบบตามวิธีวิจัยทำให้ประสิทธิภาพการจำแนกของตัวแบบนาอีฟเบส์เพิ่มขึ้น ทั้งความแม่นยำในการจำแนกกลุ่มและการคำนวณความน่าจะเป็นที่ใกล้เคียงกับความน่าจะเป็นของค่าจริง และเมื่อต้องรับมือกับปัญหาตัวแปรอิสระสัมพันธ์กัน ในบางกรณีศึกษา หรือ ชุดข้อมูลจริงที่ตัวแบบ RFB-NB และ RF-NB ที่มีประสิทธิภาพในการจำแนกใกล้เคียงกัน สามารถจำแนกโดยมีประสิทธิภาพเทียบเท่ากับ หรือ มากกว่า ตัวแบบป่าสุ่มและตัวแบบเพื่อนบ้านที่ใกล้ที่สุด ซึ่งสอดคล้องกับวัตถุประสงค์ที่พัฒนาตัวแบบนาอีฟเบส์ให้มีความแม่นยำขึ้น