【摘 要】
：
如何从资料中撷取出有意义的资讯,统计理论在过往扮演着重要的角色,然囿于其对于母体假设的基本限制,已无法因应现实世界中各种不同面向的资料,因此资料探勘与类神经网路等机
【机 构】
：
中华医事科技大学资讯管理系台南市71003国立成功大学工业与资讯管理学系台南市70101中原大學企业管理学系桃園縣32023
论文部分内容阅读
如何从资料中撷取出有意义的资讯,统计理论在过往扮演着重要的角色,然囿于其对于母体假设的基本限制,已无法因应现实世界中各种不同面向的资料,因此资料探勘与类神经网路等机械学习方法于近二十年来有着长足的蓬勃发展.其中在分类问题方面,相较于单一分类器的学习程序,集成法的提出可以有效减少过度配适问题的发生,如拔靴集成法、多模激发法等,其藉由拔靴法生成多个子训练样本集以建构多个子分类器,并将结果进行整合,虽能增进单一分类器的分类正确率,但其改善效果仍属有限,乃因此些子分类器系针对属性值与训练样本相同的子训练样本集进行重复性的学习之故.为使子分类器能够对拔靴样本以外的属性值进行学习,本研究拟采盒须图进行训练样本的值域推估并藉以生成虚拟样本以充实子训练样本集.本论文目前规划使用公开资料库UCI上所取得之资料进行测试,冀能提升拔靴集成法对于测试样本的分类正确率.
其他文献
在决策分析中，确定型数据往往会造成决策结果的偏差，因此用区间型数据分析和解决实际问题更准确更合理，这也符合人们的模糊思维的习惯。20 世纪高峰记提出概率区间型决策，随着进
In order to reduce the modeling errors of the discrete grey prediction model and increase the stability of the solution,this paper presents the fractional-o
SPME是基于目标分析物在样品及萃取涂层间的分配平衡的萃取方法,是在固相萃取技术上发展起来的一种微萃取分离技术,是一种集采样,萃取,浓缩和进样于一体的无溶剂样品微萃取新
固相微萃取技术(SPME)是一种环保绿色的样品前处理技术,用来对样品中的目标物进行富集萃取,已被广泛应用于痕量分析.SPME技术的核心部分是作为萃取基质的纤维和以固定相从样
Sarsasapogenin(SG),a natural compound from traditional Chinese medicinal herb Anemarrhena asphodeloides Bge.,has recently received a great deal of attention
阿仑膦酸钠是骨吸收抑制剂,其与骨内羟磷灰石有强亲和力,进入体内迅速与之结合浓集于骨骼中,主要用于预防和治疗骨质疏松症.它是一种双膦酸盐化合物,该结构中没有生色基团,如
高速逆流色谱(high speed countercurrent chromatography,HSCCC)是在液-液分配色谱的基础上研制开发的一种新型的、连续高效的液-液分配色谱技术.但逆流色谱主要利用被分离
近年来,中枢神经系统类药物的研发进展缓慢,大多数体外疗效好的候选药物进入临床试验时却难以通过血脑屏障,或难以扩散至脑部靶组织,从而影响了疗效.因此,在体外构建血脑屏障
在过往小样本学习方法中,虚拟样本产生法虽已被证实能有效提升机械学习算法的学习结果,然而对于如何确认所产生之虚拟样本的质量并未有明确的定义,如扩散神经网络虽有考虑属
固相微萃取(SPME)技术是90年代发展起来的,是一种简单、高效的样品前处理技术.该技术利用纤维涂层的性质,萃取和富集样品中的目标分析物,这种技术省时,溶剂和样品用量少,已广