mts在分類問題之應(yīng)用指導(dǎo)教授：童超塵教授報(bào)告學(xué)生：莊-資料下載頁
2024-10-24 17:27本頁面
【導(dǎo)讀】變量量表對多維資料進(jìn)行較佳的預(yù)測。執(zhí)行的結(jié)果發(fā)現(xiàn)MTS的分類結(jié)果較傳統(tǒng)。除此之外，本文亦探討有關(guān)應(yīng)。收集所需要的數(shù)據(jù)。更重要的是現(xiàn)代企業(yè)能。資料探勘是獲得資料中非常重要技術(shù)。之一，而分類是資料探勘的主要任務(wù)之一。決策樹，神經(jīng)網(wǎng)路，等等。傳統(tǒng)的統(tǒng)計(jì)技術(shù)通常需要跟隨一些假定；不過，另一方面，神經(jīng)網(wǎng)。路方法在以簡單線索條件下有明顯的缺點(diǎn)。MTS被推蔫為斷和預(yù)測多維資料的。田口博士認(rèn)為MTS是數(shù)據(jù)分析方法並且不。維系統(tǒng)的準(zhǔn)確的預(yù)測。當(dāng)適用於多維資料。MTS是個(gè)基於正常觀測值群組的多變量，及在產(chǎn)品檢驗(yàn)過程中良好產(chǎn)品的。第一階段︰參考MS，建造量表。外的觀測值來估計(jì)這些變數(shù)是否合適。正常的觀測值相關(guān)母體來計(jì)算異常觀測值的MD。數(shù)，變數(shù)是先前步驟中去重新建構(gòu)的MTS量，圖1中，展示MTS技術(shù)如何預(yù)測多變量資料。及相依變數(shù)，如：花的種類。第六步：建構(gòu)“ReducedModelMTS量表“。圖5. 包括了十五個(gè)變數(shù)(sex性別、age年齡、
【正文】 TS的分析結(jié)果。利用 Reduced Model MTS篩選了重要變數(shù) A、 C、 D。這個(gè)結(jié)果 跟逐步鑑別分析，有些許的不同，全部分類正確 比率為 %。 COMPARISON比較 表格十展示信用卡資料的分析結(jié)果， LDA的全部 分類正確比率為 %。表格十一展示出 FULL MODEL MTS的分析結(jié)果，全部分類正確比率為 %。 變數(shù)的減少，透過逐步鑑別分析的結(jié)果表格十二 展示逐步鑑別分析的結(jié)果，全部分類正確率為 %。表格十三為 Reduced Model MTS的分 析結(jié)果，全部分類正確率為 99%。 COMPARISON比較 ? 從植物資料中，我們發(fā)現(xiàn)假如使用所有的四個(gè)變數(shù)來預(yù)測， MTS預(yù)測正確率比傳統(tǒng)鑑別分析高 %。關(guān)於變數(shù)的減少，透過逐步鑑別分析，保留了四個(gè)變數(shù)，分類正確比率為 %。另一方面的 MTS，只使用了三個(gè)變數(shù)，分類正確比率也比分辨分析高出 %。 COMPARISON比較 ? 在信用卡資料中，使用二十六個(gè)變數(shù)之下， MTS的分類正確比率為 %，高於逐步鑑別分析 %。減少變數(shù)後的逐步鑑別分析法，仍需十八個(gè)變數(shù)。但MTS只需要十三個(gè)變數(shù)。這表示我們只需要原本變數(shù)的一半，不過分類正確比率仍然很高 (99%)，比逐步分辨分析法高出 %。 CONCLUSIONS結(jié)論 ? 這個(gè)研究確認(rèn) MTS可為多變量資料執(zhí)行預(yù)測。我們使用了兩種不同型態(tài)的資料來討論 MTS的預(yù)測能力。結(jié)果顯示， MTS比 Discriminant analysis或 stepwise discriminant analysis有較佳的預(yù)測正確率，無論是 full mode 還是 reduced model。 MTS的優(yōu)勢 ? 變數(shù)在多變量系統(tǒng)中是互相關(guān)連的。鑑別分析 discrimination是利用單一變數(shù)來單獨(dú)執(zhí)行，可能會產(chǎn)生使人誤解的結(jié)果。MTS方法提出結(jié)合所有的變數(shù)，且考慮所有變數(shù)的相關(guān)性至 MD Index，所以比較不會有誤。 MTS的優(yōu)勢 ? MTS能處理複雜的多變量問題。且對於沒有統(tǒng)計(jì)知識的人很容易去使用。 ? 異常的觀測值很容易的被決定出來。 ? MTS能當(dāng)有利篩選重要變數(shù)的工具。
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號-1