Т.Ахыт
Loading...
Товч нэр
Т.Ахыт
Бүтэн нэр
Тилеубай Ахыт
Латин нэр
Tilyeubai Akhyt
Албан тушаал
Багш
Харьяалал
ORCID
Scopus Author ID
2 results
Now showing 1 - 2 of 2
- Some of the metrics are blocked by yourconsent settings
Item type:Publication, C5.0 алгоритмд суурилсан сэтгэл ханамжийн ангиллын дүрэмт загварын судалгаа(2026-03-30) ;Б.Одгэрэл; ; ;Ч.БаасандоржҮндэслэл: Likert төрлийн асуулгад суурилсан өгөгдлийг сэтгэл ханамжийг үнэлэхэд өргөн ашигладаг боловч бодит хэрэглээнд зөвхөн ангиллын өндөр нарийвчлал бус, загварын тайлбарлах чадвар чухал шаардлагатай болдог. Дүрэмд суурилсан машин сургалтын аргууд нь эдгээр хоёр шаардлагыг зэрэг хангах боломж олгодог. Сүүлийн жилүүдэд машин сургалтын аргуудыг ашиглан ангилал, таамаглал хийх судалгаа эрчимтэй хөгжиж байгаа ч сэтгэл ханамжийн Likert төрлийн асуулгад С5.0 ангиллын алгоритм ашиглсан судалгаа хомс байгаа тул уг судалгааг хийх үндэслэл болсон. Зорилго: Сэтгэл ханамжийн хоёр ангиллыг (High/Medium) таамаглахад C5.0 ангиллын алгоритмыг 10fold cross-validation аргаар хэрэгжүүлж, загварын гүйцэтгэл болон тайлбарлах чадварыг үнэлэх. Арга, аргачлал: Судалгааг АШУҮИСийн Био-Анагаахын сургуулийн Физик мэдээлэл зүйн тэнхимийг түшиглэн Эрүүл мэндийн мэдээллийн технологич мэргэжлээр төгссөн төгсөгчдийн сэтгэл ханамжийн судалгааны өгөгдлийг ашиглан хийсэн. Судалгаанд Likert төрлийн дөрвөн хувьсагч (V1–V4) бүхий өгөгдлийг ашигласан. C5.0 загварыг параметрийн торон хайлтаар сургаж, 10-fold cross-validation-ын хүрээнд accuracy болон confusion matrix ашиглан үнэлсэн. Мөн эцсийн дүрэмд суурилсан загвараас IF–THEN дүрмүүдийг гарган авч, шийдвэрийн логикийг flowchart хэлбэрээр дүрсэлсэн. Үр дүн: Судалгааны үр дүнд дүрэмд суурилсан C5.0 загвар хамгийн оновчтой гэж сонгогдож, cross-validation-ын хүрээнд тогтвортой гүйцэтгэл үзүүлсэн. Confusion matrix-ийн үр дүн нь High ангиллыг өндөр нарийвчлалтай илрүүлж байгааг харуулсан. Гарсан дүрмүүдээс V4 болон V2 хувьсагчид сэтгэл ханамжийг тодорхойлох голлох нөлөөтэй болох нь илэрхий болсон. Дүгнэлт: C5.0 алгоритмыг cross-validation-ын хүрээнд ашиглах нь Likert өгөгдөлд суурилсан сэтгэл ханамжийн ангиллыг үр дүнтэй, ойлгомжтой байдлаар гүйцэтгэх боломжтой ба дүрэмд суурилсан бүтэц нь загварыг тайлбарлах, шийдвэр дэмжих хэрэглээнд ашиглахад тохиромжтой давуу тал болж байгаа нь тус тус батлагдлаа. - Some of the metrics are blocked by yourconsent settings
Item type:Publication, Study of decision tree algorithms: effects of air pollution on under five mortality in Ulaanbaatar(BMJ, 2023-03); ; ;Oyunbileg, Bat-Enkh; OBJECTIVES: 4.2 million people die every year from many diseases due to air pollution. The WHO confirms that 92% of the world's population lives in areas where the air quality limit is exceeded. In 251 days of 2011, the concentration of fine particulate matter in Ulaanbaatar exceeded the permissible level by 62%-76%. According to the results of the research, the content of fine particles decreased by 37%-46% in 2019. Because it is harmful to the health of children, we aimed to show the effect of air pollution on the mortality through data mining. METHODS: In many countries, research is being conducted to generate effective knowledge from big data using data mining methods. So, we are working to introduce this method to the health sector of Mongolia. In this study, we used the decision tree algorithms. RESULTS: We collected data on air pollution and under five mortality for 2019-2022 in Ulaanbaatar and created the database, built the models using the algorithms, and compared the results with the Mongolian standard. If the average of PM10 in winter is higher than the concentration specified in the standard, the mortality rate is likely to be high. Mortality is likely to be high if the nitrogen dioxide tolerance is high in the spring. CONCLUSION: The accuracy of the models calculated by the C5.0 algorithm is higher than the determined by the CART algorithm, the sensitivity and specificity values are higher than 0.50, so the mortality rates are uniformly predicted and low mortality prevails.Scopus© Citations 4
