跳到主要內容

臺灣博碩士論文加值系統

(44.210.149.205) 您好!臺灣時間:2024/04/16 17:40
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:劉宇軒
研究生(外文):Yu-Hsuan Liu
論文名稱:結合主成分分析與費雪資訊之簡單貝氏分類法
論文名稱(外文):Naive Bayes classifier with Principal Components Analysis and Fisher Information
指導教授:楊維寧楊維寧引用關係
指導教授(外文):Wei-Ning Yang
口試委員:陳雲岫呂永和
口試委員(外文):Yun-Shiow ChenYung-Ho Leu
口試日期:2017-07-22
學位類別:碩士
校院名稱:國立臺灣科技大學
系所名稱:資訊管理系
學門:電算機學門
學類:電算機一般學類
論文種類:學術論文
論文出版年:2017
畢業學年度:105
語文別:中文
論文頁數:18
中文關鍵詞:簡單貝氏分類法主成分分析費雪資訊
外文關鍵詞:Naive Bayes classifierPrincipal Components AnalysisFisher Information
相關次數:
  • 被引用被引用:1
  • 點閱點閱:239
  • 評分評分:
  • 下載下載:0
  • 收藏至我的研究室書目清單書目收藏:0
「簡單貝氏分類法」是一種透過各特徵彼此間互相獨立下運用貝氏定理的分類器,現實生活中大部分的資料無法滿足任何兩個特徵皆不相關這項假設。
我們提出一種結合主成分分析與費雪資訊之簡單貝氏分類法,先利用「主成分分析」將各特徵轉化成任何兩個特徵皆不相關的新的特徵,並將各屬性欄位與類別欄位進行費雪資訊的計算,逐一選出具有較多資訊量的屬性,最後估計貝氏分類法所需的相似度,並將物件歸類於最高「事後機率」的類別。
我們以網路常用的標準資料集為研究與效能評估,探討利用主成分分析和費雪資訊降低特徵維度,此分類法準確率的變化。
Naive Bayes classifier is a simple probabilistic classifier which is based on applying Bayes’theorem which strong independence assumptions between the features.
We propose a method based on Naive Bayes classifier with Principal Components Analysis(PCA) and Fisher Information.
We use Principal Components Analysis to make features uncorrelated.
The transformed features are ranked by Fisher Information score which measuring the amount of information and calculate the posterior probability where the likelihood is replaced by p-value.
We conclude our research through the classification accuracy with some examples and present our vision for future research.
摘要
Abstract
致謝
目錄
圖目錄
表目錄
1 研究背景
1.1 簡單貝式分類法 (Bayes classifier)
1.2 主成分分析 (Principal Components Analysis)
1.3 費雪資訊 (Fisher Information)
2 研究方法
2.1 利用 p 值 (p-value) 進行分類
2.2 ROC 曲線下面積 (AUC)
2.3 R 平方
2.4 費雪資訊
3 實驗
3.1 資料集說明
3.1.1 Wisconsin Diagnostic Breast Cancer(WDBC)
3.1.2 Diabetic Retinopathy Debrecen(DRD)
3.2 實驗步驟
4 結論
4.1 Wisconsin Diagnostic Breast Cancer(WDBC)
4.2 Diabetic Retinopathy Debrecen(DRD)
4.3 結論
參考文獻
Hsu, C. N., Huang, H. J., and Wong, T. T.. “Implications of the Dirichlet assumption for discretization of continuous attributes in naïve Bayesian classifiers”. Machine Learning, 53, 235-263, 2003.

Mohammad Darzi, Ali AsgharLiaei, Mahdi Hosseini, HabibollahAsghari. "Feature Selection for Breast Cancer Diagnosis: A Case-Based Wrapper Approach. " (2011), World academy of Science, Engineering and Technology 77, 2011,pp 1142-1143.

E.Osuna, R.Freund, and F. Girosi, “Training support vector machines: Application to face detection”.
Proceedings of computer vision and pattern recognition, Puerto Rico pp. 130–136.1997.

D. Lavanya, “Ensemble Decision Tree Classifier for Breast Cancer Data,” International Journal of Information Technology Convergence and Services, vol. 2, no. 1, pp. 17-24, Feb. 2012.

Ch. Rakesh, , D.N.D.Harini, , M. Bhanu Sridhar "An Empirical Analysis of Classification Algorithms for Medical Data"

Lichman, M. (2013). UCI Machine Learning Repository [http://archive.ics.uci.edu/ml]. Irvine, CA: University of California, School of Information and Computer Science.

Balint Antal, Andras Hajdu: An ensemble-based system for automatic screening of diabetic retinopathy, Knowledge-Based Systems 60 (April 2014), 20-27.

Frieden, B. R. (2004) Science from Fisher Information: A Unification. Cambridge Univ. Press. ISBN 0-521-00911-1.
連結至畢業學校之論文網頁點我開啟連結
註: 此連結為研究生畢業學校所提供,不一定有電子全文可供下載,若連結有誤,請點選上方之〝勘誤回報〞功能,我們會盡快修正,謝謝!
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top