勤益科大機構典藏:Item 987654321/1333
English  |  正體中文  |  简体中文  |  全文笔数/总笔数 : 2928/5721 (51%)
造访人次 : 1436256      在线人数 : 841
RC Version 6.0 © Powered By DSPACE, MIT. Enhanced by NTU Library IR team.
搜寻范围 查询小技巧:
  • 您可在西文检索词汇前后加上"双引号",以获取较精准的检索结果
  • 若欲以作者姓名搜寻,建议至进阶搜寻限定作者字段,可获得较完整数据
  • 进阶搜寻


    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/987654321/1333


    题名: 混合式二元分類器之建構與應用
    The construction and application of hybrid binary classifier
    作者: 陳威羽
    Chen, Wei-Yu
    贡献者: 工業工程與管理系
    关键词: 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
    日期: 2008
    上传时间: 2008-10-06 13:32:38 (UTC+8)
    摘要: 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。
    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
    0KbUnknown1301检视/开启


    在NCUTIR中所有的数据项都受到原著作权保护.


    DSpace Software Copyright © 2002-2004  MIT &  Hewlett-Packard  /   Enhanced by   NTU Library IR team Copyright ©   - 回馈