椭圆空间机率神经网路 - GEBRC.PDF

資訊管理學報　第十六卷　第三期 17 1 橢圓空間機率神經網路 葉怡成 中華大學資訊管理學系 林冠呈 中華大學資訊管理學系 摘要 本研究提出橢圓空間機率神經網路 （Ellip se-Space Probabilistic Neural Network s, EPNN ），它擁有三種可透過訓練來修正的網路參數 ：代表輸入變數重要性的變數權 值 、代表樣本有效範圍的核寬倒數 、及代表樣本可靠程度的資料權值 。這些網路參數可 以提升模型的準確度 ，並計算出重要性指標 ，以提供評估輸入變數重要性的能力。為證 明此網路的性能，本研究以三個人為的分類問題以及七個實際的分類問題來做測試 ，並 與倒傳遞網路及機率神經網路做比較 。結果證明：（1 ）在人為的分類問題EPNN 的模型 準確度只略低於BPN ，而遠高於PNN ；在實際的分類問題EPNN 的模型準確度明顯高於 BPN與PNN 。（2 ）重要性指標確實可以顯示輸入變數對輸出變數的重要程度 ，使模型具 有解釋能力。 關鍵字：類神經網路 、機率神經網路 、變數重要性 、分類 172 資訊管理學報　第十六卷　第三期 Ellipse-Space Probabilistic Neural Networks I-Cheng Yeh Department of Information Management, Chung Hua University Kuan-Cheng Lin Department of Information Management, Chung Hua University Abstract This study proposed the ellipse-space probabilistic neural network ( EPNN ), which includes three kinds of network parameters that can be adjusted through training: the variable weight representing the importance of each input variable of each pattern, the core-width- reciprocal representing the effective range of each pattern, and the data weight representing the reliability of each pattern. These network parameters can improve the accuracy of model, and calculate the variable importance index to offer the ability to appraise importance of each input variable. To prove the performance of EPNN, three artificial classification problems as well as seven actual classification problems were employed to test it and compare it with back- propagation network ( BPN ) and probabilistic neural net