(3.238.186.43) 您好!臺灣時間:2021/03/01 15:09
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果

詳目顯示:::

我願授權國圖
: 
twitterline
研究生:黃正鳳
研究生(外文):Cheng-Feng Huang
論文名稱:整合類神經網路與多元適應性雲形迴歸於資料探勘分類模式之應用
論文名稱(外文):A Hybrid Classification Technique Using Neural Networks and Multivariate Adaptive Regression Splines
指導教授:李天行李天行引用關係
指導教授(外文):Tian-Shyug Lee
學位類別:碩士
校院名稱:輔仁大學
系所名稱:應用統計學研究所
學門:數學及統計學門
學類:統計學類
論文種類:學術論文
論文出版年:2002
畢業學年度:90
語文別:中文
論文頁數:98
中文關鍵詞:資料探勘鑑別分析多元適應性雲形迴歸分類迴歸樹類神經網路
外文關鍵詞:data miningdiscriminant analysismultivariate adaptive regression splinesclassification and regression treeneural networks
相關次數:
  • 被引用被引用:13
  • 點閱點閱:307
  • 評分評分:系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔系統版面圖檔
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:2
資料探勘技術的備受矚目,其所應用的範圍也越漸廣泛,其中亦包含了需被大量保存及追蹤之醫學資料。醫療業成功利用資料探勘之技術於預測手術、用藥、疾病診斷、或是流程控制的效率。所以本研究中,嘗試提出一整合倒傳遞類神經網路與多元適應性雲形迴歸之兩階段分類模式(整合模式)建構程序,主要是先經由多元適應性雲形迴歸進行分析,再將其篩選所得之變數當作類神經網路之輸入層變數,提供類神經網路一個良好的起始原點,再透過類神經網路的學習、辨識能力,發展一個更為快速、精確的區隔模式。
為驗證所提模式之有效性,本研究利用美國威斯康辛大學提供之乳部腫瘤經細針抽取細胞檢查資料為實證之資料。研究結果顯示,本研究所提之整合模式,其判別結果較單獨使用鑑別分析、多元適應性雲形迴歸、分類迴歸樹及單獨使用倒傳遞類神經網路模式之結果為佳。此外,就判別結果的型一、型二錯誤率而言,整合模式之型二錯誤率與單獨使用倒傳遞類神經網路模式之型二錯誤率相比,並沒有顯著的差異,而再與其型一錯誤率相比,則顯著較低。
Data mining is a very popular technique and has been widely applied in different areas these days. The artificial neural network is becoming a very popular alternative in prediction and classification task due to its associated memory characteristic and generalization capability. The objective of the proposed study is to explore the performance of data classification by integrating the artificial neural networks with the multivariate adaptive regression splines (MARS) approach. The rational under the analyses is firstly to use MARS in modeling the classification problem, then the obtained significant variables are then used as the input variables of the designed neural network model. To demonstrate the inclusion of the classification result from the multivariate adaptive regression splines would improve the classification accuracy of the networks, classification tasks are performed on one breast cancer data sets. As the results reveal, the proposed integrated approach outperforms the results using discriminant analysis, multivariate adaptive regression splines, classification and regression tree and artificial neural networks and hence provides an alternative in handling classification problems.
目 錄
頁次
表次 Ⅲ
圖次 Ⅴ
第 一 章 緒論 1
第 一 節 研究背景 1
第 二 節 研究動機 3
第 三 節 研究目的 6
第 四 節 研究流程 9
第 二 章 文獻探討 11
第 一 節 知識發現 11
第 二 節 資料探勘 14
壹、資料探勘的內涵 14
貳、資料探勘的模式 16
參、資料探勘的技術 19
肆、資料探勘的應用 21
第 三 節 鑑別分析 23
第 四 節 多元適應性雲形迴歸 25
第 五 節 分類迴歸樹 27
第 六 節 類神經網路 29
第 三 章 研究方法 31
第 一 節 鑑別分析 31
第 二 節 多元適應性雲形迴歸 33
第 三 節 分類迴歸樹 35
第 四 節 類神經網路 38
第 四 章 實證研究 41
第 一 節 研究設計 41
第 二 節 第一階段之資料分析 45
壹、鑑別分析之資料分析 45
一、依據60:40的比例 45
二、依據65:35的比例 46
三、依據70:30的比例 47
貳、MARS之資料分析 48
一、依據60:40的比例 48
頁次
二、依據65:35的比例 49
三、依據70:30的比例 50
參、CART之資料分析 52
一、依據60:40的比例 52
二、依據65:35的比例 55
三、依據70:30的比例 59
肆、類神經網路之資料分析 60
一、依據60:40的比例 61
二、依據65:35的比例 64
三、依據70:30的比例 66
第 三 節 第一階段之綜合分析 68
壹、鑑別力分析 68
一、依據60:40的比例 68
二、依據65:35的比例 68
三、依據70:30的比例 69
貳、型一、型二錯誤率分析 70
一、依據60:40的比例 70
二、依據65:35的比例 71
三、依據70:30的比例 72
第 四 節 第二階段整合模式之資料分析 73
一、依據60:40的比例 74
二、依據65:35的比例 77
三、依據70:30的比例 80
第 五 節 第二階段整合模式之綜合分析 84
壹、鑑別力分析 84
貳、型一、型二錯誤率分析 86
第 五 章 結論與建議 87
第 一 節 研究結論 87
第 二 節 建議 91
參考文獻 93
1. 行政院衛生署網站http://www.doh.gov.tw
2. 李紹綸,“知識發掘在信用卡之應用”,淡江大學資訊工程學系未出版碩士論文,1998。
3. 乳癌防治基金會 http://www.fcf.org.tw
4. 科技評論雜誌網站http://www.technologyreview.com
5. 吳國禎,“資料探索在醫學資料庫之應用”,中原大學醫學工程研究所未出版碩士論文,1990。
6. 吳智誠,“資料探勘於影像資訊之應用~以乳房微鈣化特徵處理為案例”,大業大學工業工程研究所未出版碩士論文,1991。
7. 美國威斯康辛大學網站 http://www.wisc.edu
8. 許峻源,“類神經網路與MARS於資料探勘分類模式之應用”,輔仁大學應用統計研究所未出版碩士論文,2001。
9. 陳慧瀅,“台灣地區汽車市場需求預測之實證─無母數雲狀迴歸加法性模型之應用”,國立中央大學產業經濟研究所未出版碩士論文,1994。
10. 童淑芬,“類神經網路在心電圖分類之應用”,中華醫學工程學刊,第10卷第2期,pp. 59-63,1990。
11. 楊銘燿、徐良育、胡威志、張恆雄、高材,“利用小波與類神經網路進行心電圖特徵擷取與病症分類”,中華醫學工程學刊,第17卷第4期,pp. 265-273,1997。
12. 鄭錫齊,“知識發掘在信用卡之應用”,交通大學電子工程學系未出版碩士論文,1998。
13. 羅佩禎、蘇祝鼎,“類神經網路應用於腦病變源定位分析”,中華醫學工程學刊,第19卷第2期,pp.105-112,1999。
14. Altman, E. I., “Financial Ratios, Discriminant Analysis, and the Prediction of Corporate Bankruptcy,” Journal of Finance, September 1968, pp.589-609.
15. Berry, M. J. A. and Linoff, G. Data Mining Technique for Marketing, Sale, and Customer Support, Wiley Computer, 1997.
16. Breiman, L., Freidman, J. H., Olshen, R. A., and Stone, C. J., Classification and Regression Trees, Wadsworth, 1984.
17. Bryce, T. J. “Internation Journal Oncology Biol. Phys.”, Vol.41, No. 2, 1998, pp.339-345.
18. Cabena, P., Hadjinaian, P. O., Stadler, DR. J., Verhees, J. and Zanasi, A., Discovering Data Mining from Concept to Implementation, Prentice Hall, 1998.
19. Carven, M. W., Shavlik, J. W. “Using Neural Networks for Data Mining”, Future Generation Computer Systems, Vol.13, 1997, pp.221-229.
20. Chung, H. M. and Gray, P., Guest Editors “Special Section: Data Mining”, Journal of Management Information Systems, Vol.16, 1999, pp.11-16.
21. Chung, H. M. and Tam, K. Y., “A Comparative Analysis of Inductive -Learning Algorithm,” Intelligent System in Accounting, Finance, and Management, 2, 1992, pp.3-18.
22. Cooper, D. R. and Emory, C. W., Business Research Method, Orlando: Dryden, 1995.
23. Curt, H., “The Devil’s in the Detail: Techniques, Tools, and Application for Database Mining and Knowledge Discovery-Part 1”, Intelligent Software Strategies, 1995, pp.1-15.
24. Guape, F. H. and Owrang, M. M., “ Database Mining Discovering New Knowledge and Cooperative Advantage, Information Systems Management,” Vol.12, 1995, pp. 26-31.
25. Desai, V. S., Crook, J. N., and Overstreet, Jr. G. A., “A Comparison of Neural Networks and Linear Scoring Models in the Credit Union Environment,” European Journal of Operational Research, Vol.95, 1996, pp.24-37.
26. De Gooijer, J. G., Ray, B. K., and Krager, H., “Forecasting Exchange Rates Using TSMARS,” Journal of International Money and Finance, Vol.17, No. 3, June 1998, pp.513-534.
27. De Veaux R. D., Gordon A. L., Comiso, J. C., and Bacherer N. E., “Modeling of Topographic Effects on Antarctic Sea Ice Using Multivariate Adaptive Regression Splines,” Journal of Geophysical Research, Vol. 98(C11), 1993, pp.20307-20319.
28. Eisenbeis, R. A., “Pitfalls in the Application of Discriminant Analysis in Business, Finance and Economics,” Journal of Finance, Vol. 32, 1977, pp.875-900.
29. Fayyad, U., Piatetsky-Shapiro, G., and Smyth, P. “The KDD Process for Extracting Useful Knowledge from Volumes of Data,” Communications of The ACM, Vol. 39, November 1996, pp.27-34.
30. Fish, K. E., Barnes, J. H. and Aiken, M. W., “Artificial Neural Networks: A New Methodology for Industrial Market Segmentation,”Industrial Marketing Management, Vol. 24, No. 5, 1995, pp.431-438.
31. Frawley, W. J., Piatetsky-Shapiro, G. and Matheus, C. T., Knowledge Discovery in Database: An Overview, AAAI/MIT Press, 1991.
32. Friedman, J. H., “Multivariate Adaptive Regression Splines (With Discussion),” Annals of Statistics, Vol.19, 1991, pp.1-141.
33. Freeman, J. A. and Skapura, D. M., Neural Networks Algorithms, Applications, and Programming Techniques, Addison-Wesley Publishing Company, New York, NY, 1992.
34. Friedman J. H. and Roosen, C. B., “An Introduction to Multivariate Adaptive Regression Splines,” Statistical Methods in Medical Research, Vol. 4, 1995, pp. 197-217.
35. Griffin, W. L., Fisher, N. I., Friedman, J. H., and Ryan, C. G. “Statistical Techniques for the Classification of Chromites in Diamond Exploration Samples,” Journal of Geochemical Exploration, Vol. 59, 1997, pp.233-249.
36. IBM Intelligent Miner For Data, IBM, 1998.
37. Jain, A. K., Mao, J., and Mohiuddin, K., “Artificial neural network: A Tutorial,” IEEE Computer, Vol. 29, 1996, pp. 31-44.
38. Johnson, R. A. and Wichern, D. W., Applied Multivariate Statistical Analysis (Fourth Edition), Prentice-Hall Inc., 1998.
39. Kim, J. C., Kim, D. H., Kim, J. J., Ye, J. S., and Lee, H. S., “Segmenting the Korean Housing Market Using Multiple Discriminant Analysis,” Construction Management and Economics, Vol. 18, Jan 2000, pp. 45-54.
40. Lee, G., Sung, T. K., and Chang, N., “Dynamics of Modeling in Data Mining: Interpretive Approach to Bankruptcy Prediction,” Journal of Management Information Systems, Vol.16, 1999, pp.63-85.
41. Lewis, P. A. W. and Stevens, J. G., “Nonlinear Modeling of Time Series Using Multivariate Adaptive Regression Splines (MARS),” Journal of American Statistical Association, Vol. 86(416), 1991, pp.864-877.
42. MARS(tm) V1.0─for Windows95/98/NT, Salford Systems Inc., 1999.
43. Nguyen-Cong V., Van D. G., and Rode, B. M., “Using Multivariate Adaptive Regression Splines to QSAR Studies of Dihydroartemisinin Derivatives,” European Journal of Medical Chemistry, Vol.31, 1996, pp.797-803.
44. Ohmann, C., Moustakis, V., Yang, Q., and Lang, K., “Evaluation of Automatic Knowledge Acquisition Techniques in the Diagnosis of Acute Abdominal Pain,” Artificial Intelligence in Medicine, 1996, pp. 23-36
45. Pieter, A. and Dolf, Z., Data Mining, Addison Wesley, 1998.
46. Pyle, D., Data Preparation for Data Mining, Morgan Kaufmann, USA, 1999.
47. Qnet 97 (1998), “Neural Network Modeling for Windows 95/98/NT”, Vesta Services, Winnetka, IL.
48. Sanchez, M. S. and Sarabia, L. A. “Efficiency of Multi-Layered Feed-forward Neural Networks on Classification in Relation to Linear Discriminant Analysys, Quadratic Discriminant Analysis and Regularized Discriminant Analysis”, Chemometrics and Intelligent Laboratory Systems, Vol.28, 1995, pp.287-303.
49. SPSS 1997—Statistic Modeling for Windows 95/98/NT, SPSS Inc., 1998.
50. Stone, G., Chan, D., Kuhnert, P. M., and Cameron, M., “Some Experience in the Analysis of Large and Complex Datasets,” Computing Science and Statistics, Proceedings of the Second World Congress of the IASC, Vol. 29, 1997.
51. Trevino, L. J. and Daniels, J. D.,“FDI Theory and Foreign Direct Investment in the United States: A Comparison of Investors and Non-investors,” International Business Review, Vol. 4, 1995, pp. 177-194.
52. Werbos, P. J., Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences, Unpublished Doctoral Dissertation, Harvard University, MA, 1974.
53. Zhang, G., Patuwo, B. E., and Hu, M. Y., “Forecasting with Artificial Neural Networks: The State of the Art,” International Journal of Forecasting, Vol. 14, 1998, pp.35-62.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
系統版面圖檔 系統版面圖檔