簡易檢索 / 詳目顯示

回結果列表
研究生： 方耀輝
Fang, Yao-Hwei
論文名稱： 以密度叢集法提升支撐向量機之分類效率
Applying Density-based Clustering Algorithm to Support Vector Machines Increases Classification Efficiency
指導教授： 利德江
Li, Der-Chiang
學位類別： 碩士
Master
系所名稱： 管理學院 - 工業與資訊管理學系
Department of Industrial and Information Management
論文出版年： 2005
畢業學年度： 93
語文別： 中文
論文頁數： 61
中文關鍵詞： 基於密度的叢集演算法 、支撐向量機 、時間複雜度
外文關鍵詞： Time Complexity, Support Vector Machines, Density-based Clustering Algorithm
相關次數： 點閱：131  下載：1 
分享至:
查詢本校圖書館目錄 查詢臺灣博碩士論文知識加值系統 勘誤回報

    • 　　支撐向量機(Support Vector Machines; SVM)在分類問題上已被廣泛應用，然而面對大量且複雜的資料特徵，SVM最大的問題，就是正確率下降和計算時間緩慢。因此，如何在資料量與複雜度(即資料散亂程度)增加的情況下，改善SVM分類效率是本研究的方向。本研究針對大量且複雜的資料特徵，提出一個改良SVM的方法。先將大量原始資料利用密度叢集演算法(Density-based Clustering Algorithm)技巧，消除雜亂資料(Noise)並且找出取代原始資料的關鍵性資料，再以SVM進行資料分類。此外，本論文也會探討密度叢集法中參數設定及演算法的時間複雜度。最後透過驗證可知，本研究之兩階段分類法可以改善SVM對於大量且複雜資料的分類效率，因此正確率在可容忍的範圍內，節省時間成本。

    none

    摘要…………………………………………………………Ⅰ 目錄…………………………………………………………Ⅱ 表目錄…………………………………………………………Ⅳ 圖目錄…………………………………………………………Ⅴ 第一章 緒論…………………………………………………………1 1.1 研究背景…………………………………………………………1 1.2 研究動機…………………………………………………………2 1.3 研究目的…………………………………………………………2 1.4 研究流程…………………………………………………………3 第二章 文獻探討…………………………………………………………4 2.1 支撐向量機…………………………………………………………4 2.1.1 最大邊際分類器…………………………………………………………5 2.1.2 線性不可分割問題…………………………………………………………8 2.1.3 核心函數…………………………………………………………10 2.1.4 支撐向量機法的應用…………………………………………………………12 2.2 叢集分析…………………………………………………………14 2.2.1 DBSCAN…………………………………………………………14 2.3 時間複雜度…………………………………………………………18 2.4 SVM與叢集分析之相關文獻…………………………………………………………19 第三章 研究方法…………………………………………………………20 3.1 研究方法架構…………………………………………………………20 3.2 研究方法描述…………………………………………………………21 3.2.1 模擬資料集合…………………………………………………………21 3.2.2 評估資料複雜度…………………………………………………………21 3.2.3 利用DBSCAN找出關鍵性資料…………………………………………………………23 3.2.4 應用SVM進行分類學習…………………………………………………………25 3.3 時間複雜度…………………………………………………………26 第四章 實証分析…………………………………………………………27 4.1 資料類型…………………………………………………………27 4.2 實驗結果…………………………………………………………28 4.2.1 資料中含1%雜亂資料…………………………………………………………29 4.2.2 資料中含1.5%雜亂資料…………………………………………………………31 4.2.3 資料中含2%雜亂資料…………………………………………………………33 4.2.4 資料中含4%雜亂資料…………………………………………………………35 4.2 個案分析…………………………………………………………39 4.3.1 Pima Indians Diabetes Database……………………………………………………40 4.3.2 Johns Hopkins University Ionosphere Database…………………………………48 4.3.3 個案分析結論彙整…………………………………………………………55 第五章 結論與未來研究方向…………………………………………………………56 5.1 結論…………………………………………………………56 5.2 討論與建議…………………………………………………………58 參考文獻…………………………………………………………59

    [1]王麒瑋,支向機核心函數適用指標之建立,國立成功大學工業管理科學研究所碩士論文,民國92年

    [2]王景南,多類支向機之研究,私立元智大學資訊管理研究所碩士論文,民國92年

    [3]韓歆儀,應用兩階段分類法提升SVM法之分類準確率,國立成功大學工業與資訊管理學研究所碩士論文，民國93年

    [4]B Ribeiro. (2002). On Data Based Learning Using Support Vector Clustering. Proceeding of the 9th International Conference on Neural Information Processing (ICONIP’02), Vol. 5, 2516-2521.

    [5]Don Hush and Clint Scovel. (2003). Polynomial-Time Decomposition Algorithms for Support Vector Machine. Machine Learning, vol. 51, 51-71.

    [6]Ian H. Witten and Eibe Frank. (2000). Data Mining Practical Machine Learning Tools an Techniques with Java Implementations. Morgan Kaufmann.

    [7]Jiawei Han and Micheline Kamber. (2001). Data Mining Concept and Techniques. Morgan Kaufmann.

    [8]LIBSVM: A Library for Support Vector Machines. C.-C. Chang, C.-J. Lin. (2001). http://www.csie.ntu.edu.tw/~cjlin/libsvm [Online].

    [9]Mark Allen Weiss. (1992). Data Structures and Algorithm Analysis. Benjamin Cummings.

    [10]Martin Ester, Hans-Peter Kriegel, Jörg Sander and Xiaowei Xu. (1996). A Density-Based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. Proceedings of 2nd International Conference on Knowledge Discovery and Data Mining (KDD-96).

    [11]M. Daszykowski, B. Walczak and D.L. Massart. (2002). Representative Subset Selection. Analytica Chimica Acta, vol. 468, 91-103.

    [12]Nello Cristianini, John Shawe-Taylor. (2000). An Introduction to Support Vector Machines and other kernel-based learning methods. Cambridge University Press.

    [13]Q-A Tran, Q-L Zhang and X Li. (2003). Reduce The Number of Support Vectors by Using Clustering Techniques. Proceedings of the Second International Conference on Machine Learning and Cybernetics.

    [14]Š. Raudys (2000).How Good Are Support Vector Machine. Neural Networks, vol. 13, 17-19.

    [15]Vladimir N. Vapnik. (1999). The Nature of Statistical Learning Theory. Springer-Verlag. 2nd.

    [16]Wan Zhang and Irwin King. (2002). Locating Support Vectors via -skeleton Technique. Proceedings of the 9th International Conference on Neural Information Processing (ICONIP’02), vol. 3, 1423-1427.

    [17]Xiaowei Xu, Jochen Jager and Hans-Peter Kriegel. (1999). A Fast Parallel Clustering Algorithm for Large Spatial Databases. Data Mining and Knowledge Discovery, vol. 3, 263-290.

    [18]Yu-Yen Ou, Chien-Yu Chen, Shien-Ching Hwang and Yen-Jen Oyang. (2003). Expediting Model Selection for Support Vector Machines Based on Data Reduction. Systems, Man and Cybernetics. IEEE International Conference on, Vol. 1, 786-791.

    下載圖示 校內：2007-06-24公開
    校外：2007-06-24公開
    QR CODE