Please use this identifier to cite or link to this item:
https://cuir.car.chula.ac.th/handle/123456789/55286
| Title: | ซัพพอร์ตเวกเตอร์แมชชีนหลายประเภทโดยใช้เอนโทรปีและค่าประมาณความผิดพลาดโดยนัยทั่วไป |
| Other Titles: | MULTICLASS SUPPORT VECTOR MACHINES USING ENTROPY AND GENERALIZATION ERROR ESTIMATION |
| Authors: | พิตติพล คันธวัฒน์ |
| Advisors: | บุญเสริม กิจศิริกุล |
| Other author: | จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์ |
| Advisor's Email: | Boonserm.K@Chula.ac.th,boonserm.k@chula.ac.th |
| Issue Date: | 2559 |
| Publisher: | จุฬาลงกรณ์มหาวิทยาลัย |
| Abstract: | ตั้งแต่อดีตจนถึงปัจจุบันมีผู้ที่เสนอวิธีการจำแนกหลายประเภทด้วยซัพพอร์ตเวกเตอร์แมช-ชีนไว้หลายวิธี ถึงแม้ว่าจะมีการพัฒนาวิธีการจำแนกที่ให้ความแม่นยำสูงขึ้นมาแล้ว แต่วิธีการเหล่านั้นมักต้องใช้เวลาในการคำนวณมากและไม่เหมาะสมที่จะนำไปใช้กับปัญหาที่มีจำนวนประเภทข้อมูลมากๆ ดังนั้นจึงมีนักวิจัยหลายท่านพยายามพัฒนาหลากหลายเทคนิคที่มีเป้าหมายเพื่อลดเวลาที่ใช้ในการประมวลผลโดยยอมให้ความแม่นยำในการจำแนกลดลง ในงานวิจัยนี้ได้นำเสนอซัพพอร์ตเวกเตอร์แมชชีนรูปแบบใหม่ที่ใช้สถาปัตยกรรมแบบต้นไม้สำหรับใช้ในการจำแนกหลายประเภท ในแต่ละปมของต้นไม้เราได้เลือกตัวจำแนกสองประเภทที่เหมาะสมด้วยค่าเอนโทรปีและค่าประมาณความผิดพลาดโดยนัยทั่วไป จากนั้นจึงแบ่งประเภทข้อมูลออกเป็นกลุ่มบวกและกลุ่มลบด้วยตัวจำแนกดังกล่าว แล้วจึงทำการฝึกตัวจำแนกตัวใหม่เพื่อใช้ในขั้นตอนการจำแนก วิธีใหม่ที่เราได้นำเสนอสามารถทำงานในความซับซ้อนเชิงเวลาระหว่าง O(log2N) ถึง O(N) โดยที่ N คือจำนวนประเภทข้อมูล เราได้ทำการเปรียบเทียบประสิทธิภาพการทำงานของวิธีที่เรานำเสนอกับเทคนิคดั้งเดิมด้วยข้อมูลจากพื้นที่เก็บข้อมูลการเรียนรู้ของเครื่องยูซีไอ โดยใช้วิธีการตรวจสอบไขว้สิบพับ ผลการทดลองแสดงให้เห็นว่าวิธีการที่เรานำเสนอมีประโยชน์มากกับปัญหาที่ต้องการความรวดเร็วในการจำแนกหรือปัญหาที่มีจำนวนประเภทข้อมูลขนาดใหญ่ เนื่องจากวิธีที่นำเสนอสามารถทำงานเร็วกว่าวิธีการดั้งเดิมแต่ให้ความแม่นยำในการจำแนกเทียบเคียงกัน |
| Other Abstract: | There have been several proposed methods of Support Vector Machines (SVMs) for multi-class classification problems. Though high-accuracy techniques have been developed, they usually consume high computational time and are not suitable for a problem with a large number of classes. Therefore, many researchers have attempted various techniques aiming to reduce the processing time, with possible sacrifice of classification accuracy. In this research, we propose new methods of SVMs using tree architecture for multi-class classification. In each node of the tree, we select an appropriate binary classifier using entropy and generalization error estimation, then group the examples into positive and negative classes based on the selected classifier and train a new classifier for using in the classification phase. The proposed methods can work in time complexity between O(log2N) to O(N) where N is the number of classes. We compared the performance of our proposal methods to the traditional techniques on the UCI machine learning repository using 10-fold cross-validation. The experimental results show that our proposed methods are very useful for the problems that need fast classification time or problems with a large number of classes as the proposed methods run much faster than the traditional techniques but still provide comparable accuracy. |
| Description: | วิทยานิพนธ์ (วศ.ด.)--จุฬาลงกรณ์มหาวิทยาลัย, 2559 |
| Degree Name: | วิศวกรรมศาสตรดุษฎีบัณฑิต |
| Degree Level: | ปริญญาเอก |
| Degree Discipline: | วิศวกรรมคอมพิวเตอร์ |
| URI: | http://cuir.car.chula.ac.th/handle/123456789/55286 |
| URI: | http://doi.org/10.58837/CHULA.THE.2016.973 |
| metadata.dc.identifier.DOI: | 10.58837/CHULA.THE.2016.973 |
| Type: | Thesis |
| Appears in Collections: | Eng - Theses |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| 5371836721.pdf | 5.27 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.