ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
Registered Small and Medium Enterprises (SMEs) serve as a fundamental pillar of Thailand’s economy; however, modeling their economic impact is often constrained by the limitations of small-scale datasets. This study evaluates the performance of seven machine learning algorithms—Decision Tree, Support Vector Machine (SVM), Gradient Boosting, K-Nearest Neighbor (KNN), Naïve Bayes, XGBoost, and Multi-Layer Perceptron (MLP) Neural Network—in classifying the economic contributions of registered SMEs. To mitigate issues arising from class imbalance and limited sample size, the SMOTEENN (Synthetic Minority Over-sampling Technique and Edited Nearest Neighbors) hybrid sampling method was employed. The results indicate that while SMOTEENN significantly improved recall (reaching 1.000 for the majority of models), varying precision levels resulted in moderate F1 scores for the Decision Tree (0.83), SVM (0.87), and Gradient Boosting (0.88) classifiers. Notably, XGBoost and Naïve Bayes achieved peak performance with perfect scores (1.000) across accuracy, F1 score, and AUC metrics, demonstrating a robust capacity for pattern recognition within small-sample contexts, albeit with a recognized risk of overfitting. In contrast, the MLP Neural Network exhibited the lowest efficacy (Accuracy 0.778, AUC 0.438), suggesting that deep learning architectures may require more extensive hyperparameter tuning or larger datasets to remain competitive. These findings suggest that ensemble methods and probabilistic models are most effective for SME classification tasks under data constraints, providing a framework for more precise, data-driven economic policy-making.
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 81/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Financial Distress and Bankruptcy Prediction · Imbalanced Data Classification Techniques · Firm Innovation and Growth
บทบาทของนักวิจัยและสถาบันไทย
Piyada Wongwiwat · Wikanda Phaphan · Suan Sunandha Rajabhat University · King Mongkut's University of Technology North Bangkok
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง