政大機構典藏-National Chengchi University Institutional Repository(NCCUR):Item 140.119/95119
English  |  正體中文  |  简体中文  |  Post-Print筆數 : 27 |  全文筆數/總筆數 : 113648/144635 (79%)
造訪人次 : 51688483      線上人數 : 682
RC Version 6.0 © Powered By DSPACE, MIT. Enhanced by NTU Library IR team.
搜尋範圍 查詢小技巧：
  • 您可在西文檢索詞彙前後加上"雙引號"，以獲取較精準的檢索結果
  • 若欲以作者姓名搜尋，建議至進階搜尋限定作者欄位，可獲得較完整資料
    •  進階搜尋
    政大機構典藏 > 商學院 > 統計學系 > 學位論文 >  Item 140.119/95119


    請使用永久網址來引用或連結此文件: https://nccur.lib.nccu.edu.tw/handle/140.119/95119


    題名: 遞迴支持向量迴歸資料縮減法
    Recursive SVR data reduction
    作者: 江政舉
    貢獻者: 薛慧敏
    江政舉
    關鍵詞: 支持向量機
    支持向量迴歸
    資料縮減
    日期: 2009
    上傳時間: 2016-05-09 15:11:26 (UTC+8)
    摘要: 近年來，支持向量機(SVM, Support Vector Machine)及支持向量迴歸(SVR, Support Vector Regression)已被廣泛的應用在分類及預測上的問題，然而實務上常見資料過於龐大，而導致需要較長的計算時間及較高的計算成本。為了解決這樣的問題，Zhang等人（2006）及Chen, Wang與Cao（2008）發展兩種類型的資料縮減方法。前者為減少變數數量的遞迴支持向量機(RSVM, Recursive Support Vector Machine），藉由交叉驗證以及定義所謂的貢獻因子來找出重要的變數，而考慮僅利用重要的變數做分類。後者的方法稱為DSKR（Direct Sparse Kernel Regression），考慮在支持向量迴歸中，僅選取部份支持向量個數做預測，以達到資料縮減效果。本研究將遞迴支持向量機的方法延伸至支持向量迴歸上，此法稱為遞迴支持向量迴歸(RSVR, Recursive Support Vector Regression），藉由交叉驗證以及依據決策函數來定義各變數的貢獻因子，藉此選取出重要的變數，並且保留這些重要變數來做後續分析與預測。本研究將此方法應用於兩組實際的化學資料:Triazines及Pyrim，我們發現資料被大幅縮減，僅有六分之一至五分之一的變數被保留。而資料縮減後的預測效果，與利用整組原始資料來進行支持向量迴歸的結果相近，但較DSKR的結果差。

    關鍵字：支持向量機，支持向量迴歸，資料縮減
    參考文獻: 一、 中文文獻

    1. 呂奇傑，李天行，高人龍，黃敏菁（2009），「支援向量機及支援向量迴歸於財務時間序列預測之應用」。

    二、 英文文獻

    1. Chen, X. F. , Wang, S. T., Cao, S.Q（2008）“DSKR: Building Sparse Kernel
    Regression Directly ”,Journal of Applied Sciences, 8, 3407-3414.
    2. Vapnik, V. (1995) The Nature of Statistical Learning Theory, Springer, NY.
    3. Vapnik, V. (1998) Statistical Learning Theory, John Wiley and Sons, NY.
    4. Ross D. K, UCI Machine Learning Repository,
    http://www.ics.uci.edu/~mlearn/MLRepository.html . Irvine , CA: University of California, School of Information and Computer Science.
    5. Smola, A. J. and Schölkopf, B.（2004） “A Tutorial on Support Vector Regression” Statistics and Computing, 14, 199-204.
    6. Smola, A. J., Schölkopf, B. and Williamson, R. C.（2008） “New Support Vector Algorithms,” Neural Computation, 12, 1207-1245.
    7. Wikipedia, Mercer`s theorem, http://en.wikipedia.org/wiki/Mercer`s_theorem （as of June 21, 2009） .
    8. Wu, M., Schölkopf, B. and Gökhan, B. （2006）“A Direct Method for Building Sparse Kernel Learning Algorithms”, Journal of Machine Learning Research, 7 603–624
    9. Zhang, X. G. , Lu, X., Shi, Q., Xu, X. Q., Leung, H.C. , Harris, L. N. , Iglehart, J. D., Miron, A., Liu, J. S. and Wong, W. H.（2006）”Recursive SVM Feature Selection and Sample Classification for Mass-Spectrometry and Microarray Data”, BMC Bioinformatics, 7:197.
    描述: 碩士
    國立政治大學
    統計學系
    96354014
    資料來源: http://thesis.lib.nccu.edu.tw/record/#G0096354014
    資料類型: thesis
    顯示於類別:[統計學系] 學位論文

    文件中的檔案:

    檔案 大小格式瀏覽次數
    index.html0KbHTML2244檢視/開啟


    在政大典藏中所有的資料項目都受到原著作權保護.


    社群 sharing

    著作權政策宣告 Copyright Announcement
    1.本網站之數位內容為國立政治大學所收錄之機構典藏，無償提供學術研究與公眾教育等公益性使用，惟仍請適度，合理使用本網站之內容，以尊重著作權人之權益。商業上之利用，則請先取得著作權人之授權。
    The digital content of this website is part of National Chengchi University Institutional Repository. It provides free access to academic research and public education for non-commercial use. Please utilize it in a proper and reasonable manner and respect the rights of copyright owners. For commercial use, please obtain authorization from the copyright owner in advance.

    2.本網站之製作，已盡力防止侵害著作權人之權益，如仍發現本網站之數位內容有侵害著作權人權益情事者，請權利人通知本網站維護人員(nccur@nccu.edu.tw)，維護人員將立即採取移除該數位著作等補救措施。
    NCCU Institutional Repository is made to protect the interests of copyright owners. If you believe that any material on the website infringes copyright, please contact our staff(nccur@nccu.edu.tw). We will remove the work from the repository and investigate your claim.
    DSpace Software Copyright © 2002-2004  MIT &  Hewlett-Packard  /   Enhanced by   NTU Library IR team Copyright ©   - 回饋