透過您的圖書館登入
IP:3.90.35.86
  • 期刊

支撐向量機之分類模擬器實作

摘要


在現今資訊爆炸的時代,大量資訊可由生活周遭獲取,如:網路、書店、廣告看板等,但如何將這些資訊做有效的分類是吾人現今必須學習的課題。此時,分類(Classification)就扮演了很重要的角色。但要如何『分類』?它是一種須先擁有一群用以建立系統的『訓練樣本』(Training sample),將這些訓練樣本匯入系統後,會以各種型態之特徵呈現並建立某些分類規則,最後再將測試樣本(Test sample)匯入系統後依據分類規則進行測試,利用測試出來的辨識率做判斷分析並反覆修改分類規則以得到最佳分類效果的程序,此時即須分類器(Classifier)的幫助。而現今的分類器技術已相當成熟且多樣化,諸如:支撐向量機(Support Vector Machine, 簡稱SVM)、類神經網路(Artificial Neural Network, 簡稱ANN)等皆是知名之分類器,本研究採用的是SVM分類器。MATLAB有相當強的數學計算及繪圖能力,也提供了豐富的工具箱(Toolbox)來解決各領域問題,因此相當受到科學家與工程師喜愛。但針對SVM模擬僅提供指令方式且其引數眾多,對使用者來說,在反覆測試調整引數時著實非常不便。 綜上所述,本研究將以SVM理論利用MATLAB所提供的生物資訊(Bioinformatics)工具箱裡有關SVM之統計學習指令並輔以GUI(Graphical User Interface)方式針對『分類』議題來實作SVM模擬器(Simulator),最後再以UCI公開資料集匯入模擬器,並模擬可線性與不可線性分割的分類情形及其辨識率。

關鍵字

支撐向量機 模擬器 分類器

並列摘要


無資料

並列關鍵字

SVM Simulator Classifier

參考文獻


The Karush-Kuhn-Tucker Theorem: http://webrum.uni-mannheim.de/vwl/mokuhn/public/KarushKuhnTucker.pdf.
MySQL:http://www.mysql.com/。
The MathWorks:http://www.mathworks.com/。
UC Irvine Machine Learning Repository:http://archive.ics.uci.edu/ml/。

被引用紀錄


施韋良(2014)。腦電波情緒識別系統之開發研究〔碩士論文,國立臺中科技大學〕。華藝線上圖書館。https://doi.org/10.6826%2fNUTC.2014.00007

延伸閱讀