單調性極限學習機模型於單類別分類之研究

分類問題在機器學習領域中是一重要議題，因其可以透過數據特徵與相關性，進一步輔助決策者進行更精確之管理與預測。分類問題主要目標在於利用一些樣本資料訓練分類器，使訓練好的分類器能針對未見過的資料進行分類預測。在眾多的分類模型之中，極限學習機(ELM)是一種很特別的分類法。ELM透過隨機指派輸入層的權重與偏誤值，使其擁有比傳統演算法快上數倍的訓練時間，並擁有較好的泛化能力。另一方面，若將先驗知識如單調性限制加入分類模型與決策中，則能提高分類精確度，並減少訓練時間。然而，對ELM之單層前饋式神經網路結構而言，並不具備特徵學習與抽象的能力，因此，處理具先驗知識分類問題的效果並不好，故文獻上少有探討單調性限制結合ELM之研究。 過往研究曾有將單調性限制式套用到原始ELM，並將數學模型轉換為二次規畫問題，其中考慮了誤差和單調性。然而，修正後的模型已進一步變更ELM內部模型之結構。因此，有必要針對此部分缺失進行改善。另外，傳統的多類別分類中，若新數據不符合任一類別，將會造成錯誤分類並影響準確度。基於此，單類別分類法區分數據中的目標類及異常值類，其僅使用單類別標籤資料進行訓練，成為近年來熱門的研究主題之一，並已廣泛地應用於異常值偵測與機台故障檢測等應用上。 有鑑於此，本研究目標希望能建立一個針對單調性資料進行單類別分類的分類模型。因此，我們提出了一個基於ELM的單調性單類別分類器，透過內部權重的調整來滿足單調性的限制式並且維持原始ELM結構，最後則建立一個決策函數來進行單類別的判斷。預期所提的模型將可顯著提高分類的準確性與效率。