【摘 要】
：
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
【机 构】
：
中华医事科技大学资讯管理系台南市71003国立成功大学高阶管理硕士在职专班台南市70101中原大學企业管理学系桃園縣32023国立成功大学台南市工业与资讯管理学系70101
论文部分内容阅读
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性相关性于样本生成过程,然而该方法却仅局限于属性间的相关性必须大于0.9时,而又如整体趋势扩散(mega-trend-diffusion,MTD)技术则是在假设属性间独立情况下,于产生样本过程并未考虑此间关联性,而导致所产生之虚拟样本超出母体范围.虽小样本信息不足尽信,然小样本数据本属母体之部分集合,若能因而据此而生成保有小样本特性之虚拟样本,则可确保其合理性.因此本研究依此概念提出一套虚拟样本筛选机制,藉由小样本属性间的关联性来进行样本筛选.本研究以MTD为例,于实验结果显示,经筛选过后的虚拟样本除能保有小样本之信息外,于使用多元线性回归、以及倒传递类神经网络建模后,对于预测准确度能有更佳的改善.
其他文献
建立缓冲算子的目的是为了提高原始序列的光滑度,从而解决系统的冲击扰动陷阱问题.本文从理论上探讨了算术平均算子、含单调函数的缓冲算子、变权缓冲算子等部分典型缓冲算子
Traditional grey modeling based on time sequence can not simulate and forecast stream information well.This paper proposes two grey modeling methods to simu
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