mts在分类问题之应用指导教授：童超尘教授报告学生：庄内容摘要：
MD，然後從 MD中獲得訊號雜音比。 訊號雜音 比定義為測量量表的正確性的工具。 第四階段：診斷或預測將來重要變數的觀測值 在困苦的現實中，資訊科技讓我們更容易的收集資料。 假如我們 減少變數的數量 ，是比較有利的。 因此，在這個步驟中我們使用重要的變數，變數是先前步驟中去重新建構的 MTS量，並且來證明是否這個量表能恰當地預測及診斷將來觀測值。 圖 1中，展示 MTS技術如何預測多變量資料。 Define the problem Define response / Choose control factors Preprocess data Sample a set of normal observations to construct a Full Model MTS Measurement Scale Validate the measurement scale Not Good Good Not Good Good MTS Approach Screen important variables Use normal observations to reconstruct a Reduced Model MTS Measurement Scale Validate the measurement scale Use the Reduced Model MTS Measurement Scale for Future diagnosis and prediction ILLUSTRATION說明 在這研究中，使用了二種不同的資料，一個為 Iris data植物資料 ，另一個是credit card data信用卡資料。 Iris data：植物三種種類：有棘毛的、顏色鮮豔的、地理位置較偏避的，抽樣 150筆花類資料每個種類有 50筆觀測值，資料有萼片長、萼片寬、花瓣長、花瓣寬、及相依變數，如：花的種類。 Iris data 第一步：定義問題 第二步：確定反應 /控制變數 第三步：建構 “ Full Model MTS 量表 “。 表 圖 2 第四步：確認量表的能力。 圖 3 第五步：審查重要。阅读剩余 0%
本站所有文章资讯、展示的图片素材等内容均为注册用户上传(部分报媒/平媒内容转载自网络合作媒体)，仅供学习参考。
用户通过本站上传、发布的任何内容的知识产权归属用户或原始著作权人所有。如有侵犯您的版权，请联系我们反馈本站将在三个工作日内改正。