Please use this identifier to cite or link to this item:
Title: ซัพพอร์ตเวกเตอร์แมชชีนแบบหลายประเภทโดยการแตกครึ่งแบบสมดุล
Other Titles: ซัพพอร์ตเวกเตอร์แมชชีนแบบหลายประเภทโดยการแตกครึ่งแบบสมดุล
Authors: ณรงค์ บุญสิริสัมพันธ์
Advisors: บุญเสริม กิจศิริกุล
Other author: จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
Advisor's Email:,
Subjects: การเรียนรู้ของเครื่อง
Issue Date: 2546
Publisher: จุฬาลงกรณ์มหาวิทยาลัย
Abstract: การสร้างซัพพอร์ตเวกเตอร์แมชชีนแบบหลายประเภทเป็นงานวิจัยที่ท้าทาย งานวิจัยฉบับนี้ได้นำเสนอวิธีการใหม่เรียกว่า วิธีการแตกครึ่งแบบสมดุล เพื่อขยายความสามารถของซัพพอร์ตเวกเตอร์แมชชีน ในการแก้ปัญหาการจำแนกข้อมูลแบบหลายประเภท วิธีนี้พัฒนามาจากวิธีการจำแนกแบบหนึ่งต่อหนึ่ง โดยเริ่มต้นที่การสร้างตัวจำแนกแบบหนึ่งต่อหนึ่งสำหรับแต่ละคู่ของประเภทข้อมูล แล้วค้นหาระนาบของตัวจำแนกที่อยู่ในตำแหน่งสมดุลที่สุด เมื่อเทียบกับตำแหน่งของข้อมูลทั้งหมดมาใช้ในการจำแนกข้อมูล วิธีการแตกครึ่งแบบสมดุลนี้ จะสามารถตัดประเภทข้อมูลที่ไม่ถูกต้องออกไปได้สูงสุดครั้งละครึ่งหนึ่ง ของจำนวนประเภทข้อมูลทั้งหมด ซึ่งเป็นจำนวนที่สูงกว่าวิธีการจำแนกแบบหนึ่งต่อหนึ่งแบบอื่นๆ เช่น วิธีดีดีเอจี วิธีเอดีเอจีและวิธีอาร์เอดีเอจี ที่สามารถตัดประเภทข้อมูลที่ไม่ถูกต้องออกไปได้เพียงครั้งละ 1 ประเภท นอกจากนี้ งานวิจัยยังได้นำเสนอจำนวนครั้งของการจำแนกจากผลการทดลองจริง เปรียบเทียบกับค่าที่คาดหวังไว้คือ [log2K] ครั้ง สำหรับปัญหาการจำแนกประเภทข้อมูล k ประเภท
Other Abstract: Constructing multiclass support vector machines (SVMs) is a challenging research problem. This paper presents a novel method, called balanced dichotomization to extend SVMs for multiclass problems. Balanced dichotomization is considered as an one-against-one method. Once the system has constructed all binary SVMs, one for each pair of classes, it searches for the hyperplane at the optimal balanced position among all data classes in consideration, called balanced dichotomization classifier. Using a balanced dichotomization classifier can remove half of the candidate classes during an evaluation for the correct class, that is a higher number of elimination compared to other methods, such as the DDAG, the ADAG and the RADAG, which eliminate only one class using an ordinary binary classifier. Results show that the proposed method maintains accuracy comparable to Max Wins, the RADAG and the ADAG. We also empirically evaluated the number of decisions to derive an answer compared to the expected value of [log2K] times for an K-class problem.
Description: วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2546
Degree Name: วิทยาศาสตรมหาบัณฑิต
Degree Level: ปริญญาโท
Degree Discipline: วิทยาศาสตร์คอมพิวเตอร์
ISBN: 9741756348
Type: Thesis
Appears in Collections:Eng - Theses

Files in This Item:
File Description SizeFormat 
Narong.pdf596.03 kBAdobe PDFView/Open

Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.