intTypePromotion=1
zunia.vn Tuyển sinh 2024 dành cho Gen-Z zunia.vn zunia.vn
ADSENSE

Luận án Tiến sĩ Công nghệ thông tin: Nghiên cứu cải tiến các kỹ thuật rút gọn đặc trưng cho phân lớp dữ liệu

Chia sẻ: Nguyễn Văn H | Ngày: | Loại File: PDF | Số trang:119

70
lượt xem
10
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Mục tiêu của luận án đó là nghiên cứu cải tiến một số kỹ thuật rút gọn đặc trưng tiên tiến trong phân lớp dữ liệu đối với một số miền ứng dụng. Hướng tiếp cận lựa chọn đặc trưng xác định một tập con đặc trưng tốt nhất có thể từ tập đặc trưng ban đầu mà không làm giảm kết quả phân lớp. Mời các bạn cùng tham khảo đề tài.

Chủ đề:
Lưu

Nội dung Text: Luận án Tiến sĩ Công nghệ thông tin: Nghiên cứu cải tiến các kỹ thuật rút gọn đặc trưng cho phân lớp dữ liệu

ĐẠI HỌC QUỐC GIA HÀ NỘI<br /> TRƯỜNG ĐẠI HỌC CÔNG NGHỆ<br /> <br /> Hà Văn Sang<br /> <br /> NGHIÊN CỨU CẢI TIẾN CÁC KỸ THUẬT RÚT GỌN<br /> ĐẶC TRƯNG CHO PHÂN LỚP DỮ LIỆU<br /> <br /> LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN<br /> <br /> HÀ NỘI – 2018<br /> <br /> ĐẠI HỌC QUỐC GIA HÀ NỘI<br /> TRƯỜNG ĐẠI HỌC CÔNG NGHỆ<br /> <br /> Hà Văn Sang<br /> <br /> NGHIÊN CỨU CẢI TIẾN CÁC KỸ THUẬT RÚT<br /> GỌN ĐẶC TRƯNG CHO PHÂN LỚP DỮ LIỆU<br /> <br /> Chuyên ngành: Hệ thống thông tin<br /> Mã số: 62.48.01.04<br /> LUẬN ÁN TIẾN SĨ CÔNG NGHỆ THÔNG TIN<br /> <br /> NGƯỜI HƯỚNG DẪN KHOA HỌC:<br /> 1. PGS. TS. NGUYỄN HÀ NAM<br /> 2. PGS. TS. NGUYỄN HẢI CHÂU<br /> <br /> Hà Nội – 2018<br /> <br /> LỜI CAM ĐOAN<br /> Tôi xin cam đoan đây là công trình nghiên cứu do tôi thực hiện dưới sự hướng<br /> dẫn của PGS.TS. Nguyễn Hà Nam và PGS.TS. Nguyễn Hải Châu tại Bộ môn các Hệ<br /> thống Thông tin, Khoa Công nghệ Thông tin, Trường Đại học Công nghệ, Đại học<br /> Quốc gia Hà nội. Các số liệu và kết quả trình bày trong luận án là trung thực và chưa<br /> được công bố trong bất cứ các công trình nào khác trước đây.<br /> Tác giả<br /> <br /> Hà Văn Sang<br /> <br /> i<br /> <br /> LỜI CẢM ƠN<br /> Luận án được thực hiện tại Bộ môn Hệ thống Thông tin-Khoa CNTT, Trường<br /> Đại học Công nghệ, Đại học Quốc gia Hà Nội, dưới sự hướng dẫn của PGS.TS.<br /> Nguyễn Hà Nam và PGS.TS. Nguyễn Hải Châu.<br /> Trước tiên, tôi xin bày tỏ lòng biết ơn sâu sắc tới PGS.TS. Nguyễn Hà Nam<br /> và PGS.TS. Nguyễn Hải Châu. Hai Thầy đã tận tụy chỉ dạy, giúp đỡ tôi từ định hướng<br /> nghiên cứu đến việc giải quyết những vấn đề khó khăn nhất trong quá trình nghiên<br /> cứu. Không chỉ về lĩnh vực nghiên cứu khoa học, các Thầy còn chỉ bảo cho tôi nhiều<br /> điều trong cuộc sống. Đó là những bài học vô cùng quý giá và hữu ích cho chính bản<br /> thân tôi trong thời gian tới.<br /> Tôi cũng xin gửi lời cảm ơn tới tập thể các Thầy, Cô giáo, các nhà khoa học<br /> trong khoa CNTT đã truyền đạt cho tôi những kiến thức quý báu và đã tạo điều kiện<br /> thuận lợi cho tôi trong quá trình học tập và nghiên cứu.<br /> Tôi xin gửi lời cảm ơn tới các Thầy, Cô giáo ở Bộ môn Tin học Tài chính kế<br /> toán, khoa Hệ thống Thông tin kinh tế, Học viện Tài chính, những người đồng nghiệp<br /> đã tạo điều kiện giúp đỡ tôi về mặt thời gian cũng như sắp xếp công việc trong quá<br /> trình tôi làm nghiên cứu sinh.<br /> Tôi cũng gửi lời cảm ơn tất cả bạn bè, những người đã giúp đỡ và hỗ trợ tôi<br /> trong suốt quá trình nghiên cứu.<br /> Cuối cùng, tôi vô cùng biết ơn gia đình, bố mẹ tôi, anh chị em, đặc biệt là vợ<br /> của tôi, những người đã động viên, tạo mọi điều kiện thuận lợi để tôi có thể hoàn<br /> thành chương trình nghiên cứu sinh của mình.<br /> Hà Văn Sang<br /> <br /> Hà Nội, 1-12-2017<br /> <br /> ii<br /> <br /> TÓM TẮT<br /> Rút gọn đặc trưng ngày càng được sử dụng rộng rãi nhằm tăng hiệu năng cũng<br /> như giảm chi phí trong quá trình phân tích dữ liệu. Mục tiêu của việc rút gọn đặc<br /> trưng là xác định và giảm bớt đặc trưng của dữ liệu gốc dựa trên việc biến đổi không<br /> gian đặc trưng hoặc lựa chọn những đặc trưng quan trọng, loại bỏ các đặc trưng không<br /> liên quan, dư thừa nhằm giảm kích thước dữ liệu, từ đó cải thiện hiệu quả, độ chính<br /> xác của các mô hình phân tích dữ liệu. Các kỹ thuật rút gọn đặc trưng đã được áp<br /> dụng rộng rãi trong nhiều ứng dụng khác nhau như: cho điểm tín dụng, phân tích dữ<br /> liệu ung thư, tìm kiếm thông tin, phân lớp văn bản. Tuy nhiên, không tồn tại một kỹ<br /> thuật rút gọn đặc trưng mà hiệu quả trên mọi miền dữ liệu. Trong luận án này, chúng<br /> tôi tập trung vào việc tìm hiểu, phân tích và cải tiến một số kỹ thuật rút gọn đặc trưng<br /> nhằm tăng hiệu năng của kỹ thuật phân tích dữ liệu hiện có theo hai hướng tiếp cận<br /> là lựa chọn đặc trưng và trích xuất đặc trưng.<br /> Có nhiều cách tiếp cận rút gọn đặc trưng khác nhau đã được giới thiệu, tuy<br /> nhiên các cách tiếp cận này vẫn tồn tại một số hạn chế khi áp dụng với các miền dữ<br /> liệu khác nhau. Chúng tôi đã đề xuất phương pháp lựa chọn đặc trưng có tên FRFE<br /> (Fast Recursive Feature Elimination) dựa trên hướng tiếp cận đóng gói (wrapper) với<br /> lõi là một thủ tục loại bỏ đặc trưng đệ quy. Để tăng hiệu quả của việc lựa chọn đặc<br /> trưng, chúng tôi đã đề xuất một hàm đánh giá (ranking) đặc trưng và thủ tục lựa chọn<br /> đặc trưng tương ứng. Hơn nữa, do đặc điểm của phương pháp lựa chọn đặc trưng<br /> đóng gói là chi phí tính toán cao, vì vậy chúng tôi đã áp dụng các thư viện xử lý phân<br /> tán để cải thiện hiệu năng của thuật toán đề xuất. Kết quả thực nghiệm thuật toán<br /> FRFE (được viết bằng ngôn ngữ R) trên hai bộ dữ liệu tín dụng Đức và Úc cho thấy<br /> thuật toán đề xuất đã cải thiện được thời gian chạy so với thuật toán cơ sở và đạt kết<br /> quả khả quan so với các kỹ thuật hiện có.<br /> Theo hướng tiếp cận trích xuất đặc trưng, chúng tôi đã đề xuất phương pháp<br /> trích xuất đặc trưng có tên C-KPCA (Custom-Kernel PCA) nhằm làm giảm số lượng<br /> đặc trưng dựa trên kỹ thuật hàm nhân PCA. Đóng góp chính của phương pháp đề xuất<br /> <br /> iii<br /> <br />
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2