臺灣博碩士論文加值系統

本文主要是針對如何從剪裁(pruning)所得到的分類樹集合中，選出最佳的分類樹模型 ( tree-structured Classification model)的問題，比較交差認證 (cross-validation)方法， bootstrap方法，以及 bootstrap方法的修正型 .632方法及.632+方法選取分類樹的正確性。經由模擬實驗及實際資料的分析結果，我們發現，總體而言，bootstrap方法在選取分類樹上，比較容易選到較佳的分類樹。而對於交差認證方法而言，摺數在10或20時，會比較容易選到較佳的分類樹。

1 前言
2 方法介紹
2.1 分割方法
2.2 剪裁與子樹的選取
2.3 誤差率估計法
3 實驗樣本簡介
3.1 實驗1-5 : 多變量常態分佈
3.2 實驗6 : 波形資料
3.3 實驗7 : 格子資料
3.4 實驗8 : 數字資料
3.5 實驗9-11 : 實際資料
4 實驗的方法
4.1 估計模型的選取
4.2 最佳模型的選取
4.3 選對模型的準則
4.4 一個例子
5 實驗結果與分析
5.1 交差認證方法
5.2 交差認證方法, bootstrap方法, .632以及.632+等方法的結果比較
6 結論

1. Breiman, L., Friedman, J. H., Olshen, R. A. and
Stone, C. J. (1984). Classification And Regression Trees,
Wadsworth, Belmont.
2. Efron, B. and Tibshirani (1997). Improvements on
cross-validation：The .632+ Bootstrap Method, American Statistical
Association 92: 548-560.
3. Friedman, J. (1994). Flexible Metric Nearest Neighbor
classification, Technical Report, Stanford University.
4. Gnanadesikan, R. (1997), Method for Statistical Data
Analysis of Multivariate Observation, 2nd edition John Wiley & Sons.
5. Loh, W.-Y. and Shih Y.-S. (1997). Split selection methods for
classication trees. Statistica sinica:815-840.
6. Weiss, S. M. and Indurkhya, N. (1993). Decision tree pruning:
Biased or Optimal, {\it Machine Learning} PP.626-632
7. Friedman, J. (1994). Flexible Metric Nearest Neighbor
classification, Technical Report, Stanford University.
8. Gnanadesikan, R. (1997), Method for Statistical Data
Analysis of Multivariate Observation, 2nd edition John Wiley & Sons.
9. Loh, W.-Y. and Shih Y.-S. (1997). Split selection methods for
classication trees. Statistica sinica:815-840.
11. Weiss, S. M. and Indurkhya, N. (1993). Decision tree pruning:
Biased or Optimal, Machine Learning PP.626-632
12. Merz, C. J. and Murphy, P. M. (1996). UCI Repository
of Machine Learning Database}, Department of Information and Computer
Science, University of California, Irvine, CA.