標題: | 核心函數為基礎的支持向量分類器:理論與應用 Kernel-Based SVM: Theory and Application |
作者: | 楊健炘 蘇朝墩 陳文智 工業工程與管理學系 |
關鍵字: | 特徵選取;支持向量分類器;核心函數;倒傳遞類神經網路;決策樹;粗略集合;高血壓;Feature selection;Support vector machine;Kernel function;Backpropagation neural network;Decision tree;Rough sets;Hypertension |
公開日期: | 2006 |
摘要: | 在兩種類別的分類作業上,支持向量分類器(support vector machine, SVM)是一個好的資料探勘工具,使用者可以透過簡單的計算,以超平面(hyperplane)和邊界(boundary)完成資料分類。為了要解決許多非線性的問題,數學家們建議使用SVM結合核心函數(kernel function)的方式來分析。這樣的做法雖有利於分類,但是在處理大量和複雜資料上,SVM仍受到限制。實際上,不同領域的龐大資料庫中往往隱含許多資訊和知識,而特徵選取是擷取資訊和知識的其中一種程序。因此如何能夠快速地刪減不重要的屬性,進而獲得正確的特徵屬性,是一重要的議題。 本研究首先提出一個新的以SVM為基礎的分類方法,透過常用的核心函數 (Polynomial 和 RBF) 建構分類器,並提出參數設定與核心函數選擇的指引。接著,將所提出的SVM分類器與Hermes和Buhmman (2000)所提的屬性選擇方法作結合,構建一特徵選取程序。最後,本研究以高血壓檢測為例,透過所提出之程序進行一個案研究:包含模型建構與刪減不重要的屬性,並與倒傳遞類神經網路、決策樹、粗略集合等方法比較。結果顯示,無論是正確率和精確度的評估上,所提出方法的績效優於其他方法。 |
URI: | http://140.113.39.130/cdrfb3/record/nctu/#GT009133810 http://hdl.handle.net/11536/57902 |
顯示於類別: | 畢業論文 |