使用基于模糊分群法之资讯扩散技术求解小样本学习问题
小样本学习问题,常发生于系统建置初期数据稀少、取得困难或以及取得成本过高等环境却必须从事学习之情况,因此如何从中撷取更多有意义的信息,于近年已成为研究的课题.在过往学习方法中,虚拟样本产生法已验证为有效的方法之一,然其中如整体趋势以及盒须图等扩散技术却并未针对数据进行事前分析,对于母体推论虽考虑偏态但缺漏母体存在多峰可能.因此本研究藉由模糊分群法将数据进行概略分群,并透过模糊侧影系数决定最适分群数,以学习小样本分布状况之事前信息,并基于此进行样本分配的重建,从而改善产生之虚拟样本质量.实验部分,本研究以两笔电子制造业真实案例进行方法验证,其结果显示当小样本加入本研究方法所产生之虚拟样本后,于交互验证下确实较整体趋势扩散技术有更佳之预测准确度.
机器学习 虚拟样本 信息扩散 模糊分群法
陈建智 陈建颋 薛玉美 张哲荣 利德江
国立成功大学台南市工业与资讯管理学系 台南市 70101 国立成功大学高阶管理硕士在职专班 台南市 70101 中原大學企业管理学系 桃園縣 32023
国内会议
武汉
中文
590-598
2016-04-22（万方平台首次上网日期，不代表论文的发表时间）