應用固定尺度演算法提升LS-SVM之分類準確率

勤益科大機構典藏 > 管理學院 > 工業工程與管理系(所) > 【工業工程與管理系所】博碩士論文 > Item 987654321/1332

jsp.display-item.identifier=請使用永久網址來引用或連結此文件: http://ir.lib.ncut.edu.tw/handle/987654321/1332

题名:	應用固定尺度演算法提升LS-SVM之分類準確率 Appling Fixed Size LS-SVM algorithm to improve
作者:	廖佑勝 Liao, Y.S.
贡献者:	工業工程與管理系
关键词:	分類;主成份分析;固定尺度;最小平方支持向量機 Classification;Principal Component Analysis;Fixed Size;LS-SVM
日期:	2008
上传时间:	2008-10-06 13:32:37 (UTC+8)
摘要:	在資料探勘領域上，機器學習的應用受到廣泛討論與研究。應用機器學習方法探討分類問題，目的希望能夠輔助相關人員之決策診斷。機器學習方法之成功與否在於其分類準確性以及穩健性，因此提升分類準確率和增加分類穩健性是學者們爭相研究之課題。Least Square Support Vector Machine(LS-SVM)在分類與預測之準確率皆有優異的表現，但是處理高複雜度資料時卻沒有預期來的好。本研究應用固定尺度(Fixed Size, FS)演算法，找出關鍵支持向量來提升LS-SVM之分類準確率，並探討特徵選取(Feature Selection)方法是否能提高固定尺度演算法挑選關鍵支持向量時的準確性。本研究以UCI之糖尿病(Pima Indians Diabetes, PID)、電離層(Ionosphere)、投票紀錄(Congressional Voting Record, Vote)和遊戲殘局(Tic-Tac-Toe Endgame, Tic-Tac-Toe)等四個資料庫進行實驗。針對具有高複雜度性之PID資料庫的實驗結果，兩階段的分類方法比單以LS-SVM之分類準確率提高3.23%。而Ionosphere、Vote和Tic-Tac-To資料庫之實驗結果，測試準確率皆有88%以上之表現。
显示于类别:	[工業工程與管理系(所)] 【工業工程與管理系所】博碩士論文

文件中的档案:

档案	大小	格式	浏览次数
	0Kb	Unknown	1440	检视/开启

在NCUTIR中所有的数据项都受到原著作权保护.

数据加载中.....