混合式二元分類器之建構與應用

NCUTIR > College of Management > Development of Industrial Engineering and Management > 【工業工程與管理系所】博碩士論文 > Item 987654321/1333

Please use this identifier to cite or link to this item: http://ir.lib.ncut.edu.tw/handle/987654321/1333

Title:	混合式二元分類器之建構與應用 The construction and application of hybrid binary classifier
Authors:	陳威羽 Chen, Wei-Yu
Contributors:	工業工程與管理系
Keywords:	Wisconsin乳癌資料庫;LS-SVM;倒傳遞網路;粒子群演算法 Wisconsin breast cancer database;LS-SVM;Back-Propagation Artificial Neural Network;Particle Swarm Optimization
Date:	2008
Issue Date:	2008-10-06 13:32:38 (UTC+8)
Abstract:	過去幾年來，機器學習(machine learning)應用於醫療診斷的案例越來越盛行，其主要目的為降低醫療診斷期間的人為疏失。世界衛生組織(WHO)在2006年一份報告指出乳癌是全世界女性最常見的癌症，世界一年約有50萬人死於乳癌，因此本研究以Wisconsin乳癌資料庫做為研究案例，期望為女性同胞盡一份心力。在分類器選擇方面，本研究以倒傳遞類神經網路為主軸，並搭配兩種權重優化方式：Levenberg-Marquardt和粒子群演算法，並且與最小二乘支援向量機(LS-SVM)做比較。本研究先以熵的特徵選取方法做為資料的前處理，利用特徵選取的方式挑選出特徵項間的最佳組合，以做為三個分類器的輸入項目。三個分類器分別為：倒傳遞類神經網路結合Levenberg-Marquardt演算法、倒傳遞類神經網路結合粒子群演算法和最小二乘支援向量機。其分類績效以正確率和ROC曲面下的面積(簡稱AROC)做為評估，熵的特徵選取方法由原本九個特徵項中挑選出三個關鍵性特徵，分別為：Clump Thickness、Bland Chromatin和Uniformity of Cell Shape，三個分類器皆能達到95%以上的正確率。在不使用特徵選取的情形下，三個分類器的正確率為：98.24%、96.92%、97.80%，ROC曲面下的面積為0.9923、0.9894、0.9890，運用熵的特徵選取後正確率分別提升了0.57%、0.59%、0.30%為98.83%、97.51%、98.10%，而ROC曲面下的面積分別提升了0.0048、0.0036、0.0021為0.9971、0.9930、0.9911。在本研究驗證下，三個分類器皆有不錯的績效。
Appears in Collections:	[Development of Industrial Engineering and Management] 【工業工程與管理系所】博碩士論文

Files in This Item:

File	Size	Format
	0Kb	Unknown	1301	View/Open

Loading...