基於名目屬性之虛擬樣本產生法

Abstract

隨著全球化競爭日益激烈，科技產品生命週期普遍縮短，透過減少試產階段的時間與成本係增加企業競爭力的方法之一，但同時也會導致小樣本學習問題。小樣本學習對於製造系統初期有著至關眾大的影響，然而一般的統計方法在遭遇樣本數量過少時並無法直接對其進行有效的分析與解釋。為了解決此問題，虛擬樣本產生法應運而生，而且已經被證實可以有效地克服小樣本學習問題，無論是在機器學習領域或是實務界的運用皆可看到其蹤影。本論文中同樣是基於虛擬樣本產生的概念，提出一針對名目屬性之新式虛擬樣本產生法，以觀測名目屬性值之出現次數，搭配模糊隸屬函數進行母體值域推估；此方法不同於以往虛擬樣本產生法需假設屬性間相互獨立以及僅能處理數值屬性的限制，更凸顯了其普遍性。研究中分別以純名目屬性資料集以及混合屬性資料集進行平均絕對誤差和分類準確率的評比，實驗結果顯示可有效地降低數值預測問題之誤差與提升分類問題之正確率，並達到統計上的顯著，說明了本研究方法確實對應小樣本學習有更佳的表現。

Date of Award	2016 Jul 5
Original language	Chinese
Supervisor	Der-Chiang Li (Supervisor)