查詢結果分析
來源資料
相關文獻
- 由已訓練類神經網路擷取成本敏感之分類規則
- 整合鑑別分析與類神經網路在資料探勘上之應用
- A Method of Fuzzy-Neural Network to Pattern Classification
- 回饋式類神經網路知識發掘應用於最適投資組合資金配置
- Data Mining Technique Combining with Competence Set Expansion and Fuzzy Association Rules Discovering
- 應用Voronoi cell距離改良模糊Kohonen群集網路
- 採用資料探勘技術建立不同醫院層級門診服務量預測模式
- 運用資料探勘技術分析熱帶海水表面溫度
- 結合環境背景資訊萃取及使用者日用電作息分析於電力消耗模式推論與需量預測
- 改良自組映射圖處理種類型及混合型資料
頁籤選單縮合
題 名 | 由已訓練類神經網路擷取成本敏感之分類規則=An Approach of Retrieving Cost-sensitive Classification Rules from Trained Neural Networks |
---|---|
作 者 | 黃宇翔; 毛紹睿; | 書刊名 | 電子商務學報 |
卷 期 | 7:3 民94.09 |
頁 次 | 頁275-291 |
分類號 | 494.542 |
關鍵詞 | 資料探勘; 類神經網路; 規則擷取; 分類錯誤成本; Data mining neural network; Rule extraction; Misclassification cost; |
語 文 | 中文(Chinese) |
中文摘要 | 類神經網路為處理資料探勘問題的技術之一,其學習結果通常有較高的正確率,且對於存有雜訊的資料有較好的容錯能力,其網路架構也能夠表達屬性問複雜的關係。然而其學習結果為一黑箱,對於使用者缺乏解釋能力,使得類神經網路在應用上受到一定程度的限制。本研究透過規則歸納演算法由己訓練類神經網路中擷取出明確的規則,用以解釋類神經網路的學習結果,且所提出之規則擷取架構將能夠適用於不同的類神經網路模式中。並於規則擷取的過程考量分類錯誤成本的影響,使所擷取之規則能反應不同類別的分類錯誤成本更能符合實務上的需要。本研究架構以Cendrowska所提出之PRISM演算法為規則擷取基礎,分別以Adacost、Metacost以及修改PRISM資訊函數三種方式使所擷取之規則能考量分類錯誤成本。並將本研究方法與REFNE規則擷取架構,以UCI-ML資料庫為評比基礎就所產生規則之規則數目、正確率以及分類錯誤成本進行比較與分析。 |
英文摘要 | Neural network, as a popular approach in data mining, usually has better learning results with relatively high accuracy. It provides good fau1t-tolerant ability for handling data with noises, and its network structure can also presents the complicated relationships among attributes. However, such black-boxed type of neural network process lacks the ability of explanation to offer the users with comprehensibly manageable knowledge, and the applications of neural network are occasionally restricted. In this paper, a rule induction algorithm is employed to retrieve the explicit rules for interpret the learning results from neural networks. Furthermore, by considering the misclassification costs in the retrieval process, the retrieved rules would be more realistic to practical uses. The proposed approach is based on PRISM algorithm proposed by Cendrowska, and uses the methods of Adacost, Metacost, and information entropy to consider the misclassification costs. An empirical investigation is performed by utilizing the UCI-ML database to verify the effectiveness of the proposed approach. |
本系統中英文摘要資訊取自各篇刊載內容。