產生基於模糊規則之屬性改善小樣本學習

Abstract

由於近世紀全球化所造成的衝擊，快速的決策已成為一個挑戰，其所導致的結果為難以產出可靠的依據，其原因在於建模資料過於稀少，而此為常見之小樣本學習問題。小樣本學習主要是從少筆數樣本中獲取更多的訊息以提升學習的準確度，近年來多以虛擬樣本的產生來提升資料筆數；然而學習模型之表現不僅限於資料筆數的影響，資料的維度亦是另一個重要的因素。過往有學者單以資料在各屬性中的隸屬值作為新屬性的產生依據；然如此可能產生過多屬性而造成學習表現的反效果。因此本研究提出一套能整合與考量多屬性的方法流程，基於模糊規則的架構，在各屬性中建構模糊語意並視各資料點為模糊規則，如此能進行模糊集合的運算以取得模糊規則前鑑部隸屬值並視為樣本的新屬性。最後將產生的延伸屬性與原始資料之屬性統合以形成一個新的資料集，接著輸入該資料集於學習模型包含倒傳遞類神經網路(back propagation neural network)與支援向量迴歸(support vector regression)以進行預測模型的學習；實驗的部分則是以公司兩個個案資料進行，並以paired t檢定驗證本研究改善小樣本學習之效果。根據實驗結果顯示，本研究方法能更有效地降低小樣本學習之預測誤差。

Date of Award	2015 Jun 30
Original language	Chinese
Supervisor	Der-Chiang Li (Supervisor)