应用整体趋势扩展技术整合多模式整合法之预测数值
为打破传统统计理论对于学习资料的基本限制,近二十年来机械演算学习法有着长足的发展,然由在新算法开发已渐趋成熟之情况下,为改善单一方法之学习效果,多模整合法的提出无疑提供了一个可行的方向,其藉由整合多个不同学习模式之结果,在过往的文献中确能有效提升学习准确率、降低学习变异的效果.然整合法过往的研究多着重于整合流程的改进,其整合方式于分类预测问题部分则系藉由多种分类方法之结果进行投票,在处理数值预测问题部分,则多数研究是使用简单平均法整合预测值.为了改善预测数值的整合准确度,虽曾有如学者基于整体趋势扩展(mega-trend-diffusion,MTD)技术提出一个名为modified MTD(MMTD)的方法,但其误差分布仅具备正向之方向、亦不包含实际值所在位置,所产生之整合值会因而偏高于实际值,因此本研究拟提出一个更为适切的多模式整合法预测数值生成流程.在后续研究部分,本论文拟以UCI公开数据库为实验数据,在效果验证部分,则拟与使用简单平均法之整合预测值、以及MMTD方法进行比较.如何改善单一模式的预测准确度，多模整合法提供了一个思考的方向，然而大多数的文献均着重于分类问题的探讨，并探讨如何能藉由改善数据学习的过程而改善多模整合法的预测准确度，对于如何整合多模整合法对于数值预测问题的预测值，此部分的文献相对稀少，因此本研究藉由探讨多种模式于训练阶段对于预测结果的预测误差，进行误差空间的推估，并因此产生出多模预测结果的加总权重值，期能因此改善多模运用于数值预测问题的准确度。
机器学习 多模式整合法 数值预测 整体趋势扩展
叶俊吾 陈惠昭 张哲荣 陈建智 利德江
昆山科技大学资讯管理系 台南市 71003 国立成功大学工业与资讯管理学系 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
571-575
2016-04-22（万方平台首次上网日期，不代表论文的发表时间）