classifying those with coverage (80

classifying those with coverage (80.05% accuracy) than those without coverage (76.86% accuracy). The decision tree model was 74.11% accurate overall in classifying those with and without healthcare coverage. In contrast to the artificial neural network model, the decision tree had superior performance in classifying those without healthcare coverage (75.51% accuracy) than those with healthcare coverage (72.71%). Overall the artificial neural network model outperformed the decision tree model, as the overall accuracy rate and the accuracy rates for each class of the dependent variable for the ANN model exceed those for the decision tree model. Both models have also surpassed the desired accuracy rate of 62.5%, or 25% greater than chance accuracy. Table 2 shows the overall accuracy for each model, and the accuracy for each class of the dependent variable.

ผลลัพธ์ (ไทย) 1:

ประเภทผู้ที่ มีความครอบคลุม (ความแม่นยำ 80.05%) มากกว่าผู้ที่ไม่ครอบคลุม (76.86% ความถูกต้อง) แบบต้นไม้ตัดสินใจเป็น 74.11% แม่นยำโดยรวมในประเภทที่มี และไม่ มีความคุ้มครองด้านสุขภาพ ตรงกันข้ามกับแบบจำลองโครงข่ายประสาทเทียม ต้นไม้การตัดสินใจมีประสิทธิภาพเหนือกว่าในการแบ่งประเภทผู้ที่ไม่ครอบคลุมสุขภาพ (ความแม่นยำ 75.51%) มากกว่าผู้ที่มีความคุ้มครองด้านสุขภาพ (72.71%) โดยรวม โครงข่ายประสาทเทียมแบบกรรมการแบบต้นไม้ตัดสินใจ อัตราความถูกต้องโดยรวมและอัตราความถูกต้องสำหรับแต่ละระดับของตัวแปรสำหรับรุ่นแอนเกินสำหรับแบบต้นไม้ตัดสินใจ ทั้งสองรุ่นยังแซงอัตรา 62.5% หรือมากกว่าความแม่นยำโอกาส 25% ความแม่นยำที่ต้องการ ตารางที่ 2 แสดงความแม่นยำโดยรวมแต่ละรุ่น และความถูกต้องสำหรับแต่ละระดับของตัวแปร

ผลลัพธ์ (ไทย) 2:

การจำแนกผู้ที่มีความคุ้มครอง (80.05% ความถูกต้อง) มากกว่าผู้ที่ไม่มีความคุ้มครอง (76.86% ความถูกต้อง) รูปแบบต้นไม้ตัดสินใจเป็น 74.11% โดยรวมที่ถูกต้องในการจำแนกผู้ที่มีและไม่มีการดูแลสุขภาพครอบคลุม ในทางตรงกันข้ามกับรูปแบบเครือข่ายประสาทเทียมต้นไม้การตัดสินใจที่มีประสิทธิภาพการทำงานที่เหนือกว่าในการจำแนกผู้ที่ไม่มีความคุ้มครองด้านการดูแลสุขภาพ (ความถูกต้อง 75.51%) มากกว่าผู้ที่มีความคุ้มครองด้านการดูแลสุขภาพ (72.71%) โดยรวมรูปแบบเครือข่ายประสาทเทียมเฮงรุ่นต้นไม้ตัดสินใจขณะที่อัตราความถูกต้องโดยรวมและอัตราความถูกต้องสำหรับแต่ละชั้นเรียนของตัวแปรสำหรับรุ่น ANN เกินกว่าที่สำหรับรูปแบบต้นไม้ตัดสินใจ ทั้งสองรุ่นยังได้ทะลุอัตราที่ต้องการความถูกต้องของ 62.5% หรือ 25% มากกว่าความถูกต้องโอกาส ตารางที่ 2 แสดงให้เห็นถึงความถูกต้องโดยรวมสำหรับแต่ละรุ่นและความถูกต้องในแต่ละระดับของตัวแปรตาม

ผลลัพธ์ (ไทย) 3:

การจำแนกผู้ที่มีความคุ้มครอง ( ความถูกต้อง 80.05 % สูงกว่าโดยไม่ครอบคลุม ( ความถูกต้อง 76.86 % ) การตัดสินใจแบบต้นไม้ 74.11 % ความถูกต้องโดยรวมในการจำแนกผู้ที่มีและไม่มีการดูแลสุขภาพครอบคลุม ในทางตรงกันข้ามกับแบบจำลองโครงข่ายประสาทเทียม , ต้นไม้ การตัดสินใจที่มีประสิทธิภาพที่เหนือกว่าในกลุ่มผู้ที่ไม่มีความคุ้มครองการดูแลสุขภาพ ( ความถูกต้อง 75.51 % ) มากกว่าผู้ที่มีความคุ้มครองการดูแลสุขภาพ ( 72.71 % ) โดยโครงข่ายประสาทเทียมแบบจำลองในการตัดสินใจแบบต้นไม้ เช่น อัตราความถูกต้องโดยรวมและความถูกต้องของราคาสำหรับแต่ละชั้นของตัวแปรในแบบจำลอง ANN เกินเหล่านั้นสำหรับต้นไม้การตัดสินใจแบบจำลอง ทั้งสองรุ่นยังทะลุที่ต้องการอัตราความถูกต้องของ 62.5 % หรือ 25 % มากกว่าโอกาสที่ถูกต้อง ตารางที่ 2 แสดงความถูกต้องโดยรวมของแต่ละรุ่น และความถูกต้องสำหรับแต่ละชั้นของตัวแปรตาม