基於反彈機制KPSO分群之有效遺漏值推估方法

南華大學機構典藏系統 > 科技學院 > 資訊管理學系 > 博碩士論文 > Item 987654321/20553

請使用永久網址來引用或連結此文件: http://nhuir.nhu.edu.tw/handle/987654321/20553

題名:	基於反彈機制KPSO分群之有效遺漏值推估方法
其他題名:	An effective missing value estimation approach based on reflexive KPSO clustering
作者:	魏岑甄 Wei, Tsen-jen
貢獻者:	資訊管理學系碩士班邱宏彬 Hung-pin Chiu
關鍵詞:	遺漏值;資料探勘;粒子群最佳化演算法;反彈機制KPSO Particle swarm optimization (PSO);missing value;Data mining;hybrid k-means and efficient Particle swarm optimization in clustering
日期:	2008
上傳時間:	2015-05-10 15:50:42 (UTC+8)
摘要:	目前企業各方面決策幾乎是以歷史資料探勘(Data mining)結果分析為基礎，故資料庫的完整性則十分重要，若是資料庫中出現過多的遺漏值(Missing value)，則容易使探勘結果可靠性降低，因此遺漏值推估問題成為許多研究者努力的目標。在早期針對遺漏值推估問題已有許多方法如直接刪除、以平均或眾數回填等，但這樣的方法若遇到含有大量的遺漏值資料時，通常無法提供最後決策有利參考資訊。　　　　本研究在搜尋大量文獻及經過多方討論後，決定改良粒子群最佳化演算法( Particle swarm optimization,PSO)提出整合反彈機制、K-means及PSO之反彈機制KPSO( hybrid k-means and efficient Particle swarm optimization in clustering ,RKPSO)，對資料作分群後以群內平均回填該群遺漏值欄位，並與文獻結果比較及多種資料庫作實驗證實本研究方法之可行性。　　Nowadays, enterprises’ decisions almost are according to the analytic outcomes of past data mining. Hence, it’s quite important to keep the solidity of database. In early days , people always used the average、mode to backfill missing value or directly delete the data that includes missing values. However, it’s not a very good way to solve this problem. If there are too many missing values within the database it can not offer reliable information.　　　　After searching lots of conferences and discussing with my professor, we try to integrate K-means、efficient in PSO to cluster the data and estimate missing values. At last, we found RKPSO (hybrid k-means and efficient Particle swarm optimization in clustering) better than other ways on through actual database experiment and conferences comparison.
顯示於類別:	[資訊管理學系] 博碩士論文

文件中的檔案:

檔案	描述	大小	格式	瀏覽次數
096NHU05396033-001.pdf		1282Kb	Adobe PDF	769	檢視/開啟
index.html		0Kb	HTML	254	檢視/開啟

在NHUIR中所有的資料項目都受到原著作權保護.

TAIR相關文章

資料載入中.....