The classification using empirical bayes in combination with nearest neighbor

การจัดกลุ่มด้วยเอ็มพิริคัลเบส์ร่วมกับเนียเรสเนเบอร์

Name: Natthinee Deetae

keyword: Empirical bayes

LCSH: CLASSIFICATION

; K-nearest neighbor

LCSH: CATEGORIES (MATHEMATICS)

Abstract: This thesis is aimed to propose a new classification technique using Empirical Bayes in combination with Nearest Neighbor (EBNN) when data are distributed as normal, short-tailed symmetric, long-tailed symmetric, short-tailed asymmetric, long-tailed asymmetric and heavy-tailed distributions. The study is performed using conjugate priors, normal distributions with unknown mean but known variance, and known mean but unknown variance. Data are divided equally into training set and test set with the sample sizes 100, 200 and 500 for the binary classification.In each situation, the data are simulated with Monte Carlo technique and repeated 1,000 times using MATLAB program. The average percentage of correct classification is used as a criterion for comparison.The results of this study indicate that,for 3 levels of sample sizes,Empirical Bayes and EBNN methods tend to yield good classification in all types of data. Moreover, the EBNN method exhibited an improved performance over Empirical Bayes method in all situations under study.

Abstract: วิทยานิพนธ์นี้มีวัตถุประสงค์เพื่อนำเสนอเทคนิคการจัดกลุ่มแบบใหม่โดยใช้เอ็มพิริคัลเบส์ร่วมกับเนียเรสเนเบอร์(EBNN) กรณีข้อมูลมีการแจกแจงแบบปกติ การแจกแจงสมมาตรแบบหางสั้น การแจกแจงสมมาตรแบบหางยาว การแจกแจงไม่สมมาตรแบบหางสั้น การแจกแจงไม่สมมาตรแบบหางยาว และการแจกแจงแบบหางหนา โดยกำหนดการแจกแจงเบื้องต้นแบบ คอนจูเกต 2กรณี คือ กรณีการแจกแจงปกติที่ไม่ทราบค่าเฉลี่ยแต่ทราบค่าความแปรปรวน และกรณีที่ทราบค่าเฉลี่ยแต่ไม่ทราบค่าความแปรปรวนในวิทยานิพนธ์นี้จะแบ่งข้อมูลออกเป็น 2 ชุด เท่าๆ กัน คือ ชุดข้อมูลเรียนรู้และชุดข้อมูลทดสอบ ที่มีขนาดตัวอย่างเป็น 100, 200 และ 500 โดยจำแนกข้อมูลออกเป็น 2 กลุ่ม ทำการจำลองข้อมูลโดยเทคนิคมอนติคาร์โล และกระทำซ้ำ1,000 ครั้งในแต่ละสถานการณ์ที่กำหนดโดยใช้โปรแกรมMATLAB และใช้เปอร์เซ็นต์เฉลี่ยของการจัดกลุ่มได้อย่างถูกต้องเป็นเกณฑ์ในการเปรียบเทียบ โดยผลการวิจัยพบว่าเมื่อพิจารณาทุกขนาดตัวอย่าง วิธีเอ็มพิริคัลเบส์และวิธี EBNN ให้ผลการจัดกลุ่มถูกต้องค่อนข้างสูงภายใต้ข้อมูลที่ศึกษา นอกจากนี้ยังพบว่าวิธี EBNN มีประสิทธิภาพดีกว่าวิธีเอ็มพิริคัลเบส์ในทุกสถานการณ์ที่ศึกษา

King Mongkut's University of Technology North Bangkok. Central Library

Address: Bangkok

Email: library@kmutnb.ac.th

Name: Saowanit Sukparungsee

Role: Thesis Advisors

Email : swn@kmutnb.ac.th

Name: Katechan Jampachaisri

Role: Thesis Advisors

Name: Yupaporn Areepong

Role: Thesis Advisors

Email : yupaporna@kmutnb.ac.th

Created: 2013

Modified: 2013-12-19

Issued: 2013-12-19

วิทยานิพนธ์/Thesis

application/pdf

CallNumber: Dissert DAST N3D

eng

DegreeName: Doctor of Philosophy

Level: Doctoral Degree

Descipline: Applied Statistics

Grantor: King Mongkut's University of Technology North Bangkok

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B15735771.pdf	3.05 MB	37	2020-03-12 18:33:55

ใช้เวลา

0.034619 วินาที