การปรับปรุงการจำแนกแบบกึ่งมีผู้สอนด้วยการวิเคราะห์กลุ่มข้อมูล

นรีพร พิรุฬห์ทรัพย์

Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/61104

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	สุกรี สินธุภิญโญ	-
dc.contributor.author	นรีพร พิรุฬห์ทรัพย์	-
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์	-
dc.date.accessioned	2019-01-10T03:13:43Z	-
dc.date.available	2019-01-10T03:13:43Z	-
dc.date.issued	2558	-
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/61104	-
dc.description	วิทยานิพนธ์ (วศ.ด. )--จุฬาลงกรณ์มหาวิทยาลัย, 2558	en_US
dc.description.abstract	ดุษฎีนิพนธ์นี้เสนอวิธีปรับปรุงการจำแนกแบบกึ่งมีผู้สอนซึ่งใช้ตัวอย่างมีป้ายกำกับและไม่มีป้ายกำกับเพื่อสร้างตัวจำแนก โดยปรับปรุงการติดป้ายกำกับให้แก่ตัวอย่างไม่มีป้ายกำกับซึ่งมักเกิดปัญหาเนื่องจากตัวอย่างจำนวนหนึ่งอาจถูกติดป้ายกำกับไม่ถูกต้อง และเมื่อนำตัวอย่างที่ติดป้ายกำกับผิดนั้นไปใช้สร้างตัวจำแนกสุดท้ายย่อมส่งผลเสียต่อประสิทธิภาพของตัวจำแนกกึ่งมีผู้สอนอย่างหลีกเลี่ยงไม่ได้ งานวิจัยส่วนแรกเสนอวิธีแบ่งกลุ่มย่อยตามค่าคุณลักษณะที่ถูกเลือกเพื่อปรับปรุงการเรียนรู้แบบกึ่งมีผู้สอนวิธีจัดกลุ่มและติดป้ายเพื่อปรับปรุงการติดป้ายกำกับตัวอย่างในกลุ่มคลาสปะปนผลการทดลองบนชุดข้อมูลการลดสิ่งรบกวนในเอกสารภาษาไทยแสดงให้เห็นว่า ความถูกต้องของการติดป้ายกำกับและความถูกต้องของตัวจำแนกสุดท้ายของวิธีที่นำเสนอดีกว่าวิธีติดป้ายกำกับตามคลาสส่วนใหญ่อย่างเห็นได้ชัด นอกจากนั้นวิธีที่นำเสนอยังสามารถลดสิ่งรบกวนในเอกสารภาษาไทยได้ดีกว่าวิธีการลดสิ่งรบกวนวิธีอื่น ๆ ที่เปรียบเทียบ งานวิจัยส่วนที่สองเสนอวิธีปรับปรุงการจำแนกกึ่งมีผู้สอนวิธีเรียนรู้ด้วยตนเองด้วยการวิเคราะห์ตัวอย่างที่ใช้ในการสอนด้วยการจัดกลุ่มข้อมูล ผลการทดลองแสดงให้เห็นว่าการใช้ตัวอย่างมีป้ายกำกับที่ไม่ครอบคลุมการกระจายตัวของตัวอย่างที่ใช้ในการสอนเพื่อสร้างตัวจำแนกกึ่งมีผู้สอน จะส่งผลต่อความถูกต้องของการจำแนกของตัวจำแนกสุดท้ายอย่างมีนัยสำคัญ งานวิจัยนี้จึงเสนอวิธีปรับปรุงตัวอย่างมีป้ายกำกับในบริเวณที่ไม่ครอบคลุมสองวิธี ได้แก่ การเพิ่มตัวอย่างมีป้ายกำกับโดยผู้ใช้และการเพิ่มตัวอย่างมีป้ายกำกับด้วยตัวจำแนกอื่น ผลการทดลองแสดงให้เห็นว่าวิธีที่นำเสนอสามารถเพิ่มค่าความถูกต้องในการทำนายของตัวจำแนกสุดท้ายอย่างมีนัยสำคัญ	en_US
dc.description.abstractalternative	We proposed a method to improve semi-supervised classification that is a classification with both labeled and unlabeled data. However, using unlabeled data can seriously degrade the classifier performance because the unlabeled data may incorrectly label. We aim to improve accuracy of unlabeled data labeling in two approaches, i.e., cluster-and-label and self-training. In cluster-and-label approach, we propose an improved labeling method for labeling data in mixed-class clusters, namely, feature selected sub-cluster labeling. The results on noise reduction in Thai document image dataset show that the accuracy of labeling and classification of the proposed method are obviously greater than a majority vote labeling. The proposed method can also significantly better on reducing noise than the comparative noise reduction approaches. In self-training approach, we found that performance of self-training classifier will be ineffective, if distribution of labeled data does not consistent with all training data. We then propose a training data analysis with clustering and suggest to enhance the labeled data distribution by labeling data in unknown clusters. The extensive experiments on UCI and real-world datasets show that our proposed method considerably improves the accuracy of the semi-supervised classifier with statistical significance. We also suggest that this data preprocessing is a necessary step for semi-supervised self-training.	en_US
dc.language.iso	th	en_US
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย	en_US
dc.relation.uri	http://doi.org/10.14457/CU.the.2015.1294	-
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย	en_US
dc.subject	การประมวลผลข้อความ	en_US
dc.subject	การทำดัชนีความหมายแฝง	en_US
dc.title	การปรับปรุงการจำแนกแบบกึ่งมีผู้สอนด้วยการวิเคราะห์กลุ่มข้อมูล	en_US
dc.title.alternative	Improved semi-supervised classification with cluster Analysis	en_US
dc.type	Thesis	en_US
dc.degree.name	วิศวกรรมศาสตรดุษฎีบัณฑิต	en_US
dc.degree.level	ปริญญาเอก	en_US
dc.degree.discipline	วิศวกรรมคอมพิวเตอร์	en_US
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย	en_US
dc.email.advisor	Sukree.S@Chula.ac.th	-
dc.identifier.DOI	10.14457/CU.the.2015.1294	-
Appears in Collections:	Eng - Theses

Files in This Item:

File	Description	Size	Format
5371808121.pdf		1.03 MB	Adobe PDF	View/Open

Show simple item record