การออกแบบและพัฒนากระบวนการเรียนรู้แบบหลายกลุ่มสำหรับซัพพอร์ตเวกเตอร์แมชชีน

นิธิวุฒิ อัศว์ศิวะกุล

Please use this identifier to cite or link to this item: https://cuir.car.chula.ac.th/handle/123456789/66065

Full metadata record

DC Field	Value	Language
dc.contributor.advisor	บุญเสริม กิจศิริกุล	-
dc.contributor.author	นิธิวุฒิ อัศว์ศิวะกุล	-
dc.date.accessioned	2020-05-30T06:37:22Z	-
dc.date.available	2020-05-30T06:37:22Z	-
dc.date.issued	2544	-
dc.identifier.isbn	9740308813	-
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/66065	-
dc.description	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2544	en_US
dc.description.abstract	ซัพพอร์ตเวกเตอร์แมชีน (เอสวีเอ็ม) เป็นเทคนิคการเรียนรู้ของเครื่องเชิงสถิติที่เริ่มได้รับความนิยมอย่างกว้างขวาง เนื่องจากให้ความถูกต้องสูง โดยเฉพาะกับปัญหาแบบสองกลุ่ม แต่สำหรับปัญหาแบบหลายกลุ่มต้องดัดแปลงขั้นตอนวิธี เทคนิคที่ใช้คือ แบบหนึ่งต่อหนึ่ง กับแบบหนึ่งต่อที่เหลือ แต่พบว่าแบบหนึ่งต่อที่เหลือใช้เวลาในการลอนมาก และแบบหนึ่งต่อหนึ่งใช้เวลาในการจำแนกสูง มีผู้เสนอวิธีที่ใช้สถาปัตยกรรมแบบดีดีเอจีซึ่งลดเวลาการจำแนกของแบบหนึ่งต่อหนึ่ง งานวิจัยนี้เสนอวิธีพัฒนาเอสวีเอ็มให้จัดการกับปัญหาแบบหลายกลุ่ม เรียกขั้นตอนวิธีใหม่นี้ว่าเอดีเอจี ซึ่งได้รับอิทธิพลจากโครงสร้างของดีดีเอจี โดยการปรับโครงสร้างของดีดีเอจี ให้มีระดับของกราฟที่น้อยลงผลการจำแนกขึ้นกับลำดับของโนดน้อยลง ดังนั้นเอดีเอจีเพิ่มความถูกต้องโดยรักษาความต้องการการคำนวณในระดับตํ่าไว้ ผลการทดลองกับข้อมูลแบบ 5, 12 และ 26 กลุ่มเพื่อเปรียบเทียบวิธีการที่นำเสนอกับวิธีดีดีเอจี สรุปได้ว่าผลของงานวิจัยนี้ให้ประสิทธิภาพที่ดีกว่าเมื่อจำนวนกลุ่มมีมากขึ้น	-
dc.description.abstractalternative	Support Vector Machines (SVMs), based on statistical learning theory, is gaining recognition for its high accuracy especially when used as a binary classifier. For multiclass problems, SVMs need modification. Two main techniques, which are a standard one-against-the-rest (1-v-r) and one-against-one (1-v-1), were proposed. The former method suffers from long training time while the latter has long evaluation time. A Decision Directed Acyclic Graph (DDAG), a modification of 1-v-1, has the advantage of shorter training time as well as evaluation time than 1-v-1. We present a method of extending SVMs for dealing with multiclass problems. Motivated by the DDAG, we propose Adaptive Directed Acyclic Graph (ADAG): a modified structure of the DDAG that has lower number of decision levels and reduces the dependency on the sequence of node patterns. Thus, the ADAG improves the accuracy of the DDAG while maintaining low computational requirement. The experimental results with problems of 5, 12 and 26 classes show that the ADAG outperforms the DDAG when the number of classes increases.	-
dc.language.iso	th	en_US
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย	en_US
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย	en_US
dc.subject	ซัพพอร์ตเวกเตอร์แมชชีน	en_US
dc.subject	การเรียนรู้ของเครื่อง	en_US
dc.subject	Support vector machines	en_US
dc.subject	Machine learning	en_US
dc.title	การออกแบบและพัฒนากระบวนการเรียนรู้แบบหลายกลุ่มสำหรับซัพพอร์ตเวกเตอร์แมชชีน	en_US
dc.title.alternative	Design and development of a learning process of multi-class support vector machines	en_US
dc.type	Thesis	en_US
dc.degree.name	วิทยาศาสตรมหาบัณฑิต	en_US
dc.degree.level	ปริญญาโท	en_US
dc.degree.discipline	วิทยาศาสตร์คอมพิวเตอร์	en_US
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย	en_US
dc.email.advisor	boonserm.k@chula.ac.th	-
Appears in Collections:	Eng - Theses

Files in This Item:

File	Description	Size	Format
Nitiwut_us_front_p.pdf	หน้าปก บทคัดย่อ และสารบัญ	925.72 kB	Adobe PDF	View/Open
Nitiwut_us_ch1_p.pdf	บทที่ 1	775.67 kB	Adobe PDF	View/Open
Nitiwut_us_ch2_p.pdf	บทที่ 2	1.28 MB	Adobe PDF	View/Open
Nitiwut_us_ch3_p.pdf	บทที่ 3	1.26 MB	Adobe PDF	View/Open
Nitiwut_us_ch4_p.pdf	บทที่ 4	976.54 kB	Adobe PDF	View/Open
Nitiwut_us_ch5_p.pdf	บทที่ 5	694.12 kB	Adobe PDF	View/Open
Nitiwut_us_back_p.pdf	รายการอ้างอิงและภาคผนวก	638.37 kB	Adobe PDF	View/Open

Show simple item record