类神经模糊系统在营建知识发掘中资料缺漏问题之研究.ppt

類神經模糊系統在營建知識發掘中資料缺漏問題之研究 學號：姓名：林　涵　文 指導教授：余　文　德　博士 簡 報 大 綱 第一章　緒論 第二章　知識發掘與資料探勘 第三章　資料缺漏之定義 第四章　現有解決資料缺漏方法 第五章　資料前處法(補足資料缺漏法) 第六章　模糊適應性學習控制網路（FALCON） 第七章　修改FALCON(學習缺漏資料法) 第八章　案例驗證 第九章　修改後之FALCON優缺點 第十章　結論與建議 第十一章　參考文獻 第一章　緒論(1/7) 研究動機 研究目的 研究範圍 研究限制 研究方法 研究流程 第一章　緒論(2/7) 　　　營建管理領域具有需要多年經驗及技術的特性，因此適合應用人工智慧技術來做資料探勘，以保留過去所累積的知識並應用於未來專案中所產生的效用或價值。 　　　台灣營建業目前在資料探勘技術中卻面臨到營建知識發掘資料缺漏之問題，而現有之類神經模糊系統技術無法處理此種問題。 第一章　緒論(3/7) 　　一、提出資料缺漏之定義。 　　二、解決營建知識發掘中資料缺漏之問題。 　　三、提出可處理缺漏資料之FALCON運算法 　　　　則。 　　四、建構並驗證能夠容許資料屬性值缺漏之模 　　　　糊適應性學習控制網路（FALCON）的電 　　　　腦程式。 第一章　緒論(4/7) 　　　依動機與目的，本研究針對營建工程資料缺漏做出以下之兩點定義。而以下第二種定義為最常遇到之資料缺漏類型，亦為本研究欲解決之方向。 　　　一、資料案例缺漏 　　　　　（一）外差型資料案例缺漏 　　　　　（二）內差型資料案例缺漏 　　　二、資料屬性值缺漏 （Missing Values） 第一章　緒論(5/7) 　一、使用及驗證之工具為模糊適應性學習控制 　　　網路（FALCON） 。 　二、針對上述資料屬性值缺漏，本研究限定屬 性值缺漏不會發生在結論部（consequence 　　　part）。 第一章　緒論(6/7) 　　本研究所採行之研究方法如下： 　　　ㄧ、文獻歸納法 　　　二、模式推導與建立 　　　三、案例驗證 第一章　緒論(7/7) 第二章　知識發掘與資料探勘(1/4) 知識發掘 資料探勘 資料探勘之技術 第二章　知識發掘與資料探勘(2/4) 　　　Fayyad[25]其對知識發掘的定義為：是一個指出資料中有效、嶄新、潛在效益的一個非細瑣（nontrivial）流程，其最終的目標是瞭解資料的樣式（patterns）。 　　　下圖為Fayyad定義知識發掘的流程： 第二章　知識發掘與資料探勘(3/4) 　　　由圖2.1中，知識發掘分為兩大主要項目：一為資料的處理；二為資料探勘。資料探勘為知識發掘的核心技術，而目前常用之資料探勘技術無法處理不完整的資料，亦即缺漏的資料庫形式。 　　　Fayyad[28]定義資料探勘是知識發掘其中的一個步驟，透過演算法，將資料作一分析與應用，以找出其特徵（pattern）與模式（model）的過程。 　　　根據上述定義，資料探勘所應用之演算法為資料探勘之核心技術。 第二章　知識發掘與資料探勘(4/4) 　　　根據文獻歸納，目前已有之資料探勘技術包括有：決策樹、區別分析、貝氏分類法、類神經網路、記憶基礎推理、模糊理論、基因演算法、約略集合及混合型人工智慧……等。 　　　類神經模糊系統為上述混合型人工智慧中的一種演算法。 第三章　資料缺漏之定義 (1/5) 資料案例缺漏 資料屬性值缺漏 第三章　資料缺漏之定義 (2/5) 　　本研究所稱之資料案例缺漏為一訓練系統外差及內差之現象。當這兩種情形發生，會造成資料預估精度大幅降低。 　　因此，本研究又將資料案例缺漏分為以下兩點： 　　　　　一、外插型資料案例缺漏 　　　　　二、內插型資料案例缺漏 第三章　資料缺漏之定義 (3/5) 　　　外插情形發生在從未有過的工程實例經驗，使得在建構資料庫時沒有類似的數據。 　　　假設一間建設公司平時承接建築物是以民宅為主，共有25筆已完工之案例資料。資料分配如圖所示： 第三章　資料缺漏之定義 (4/5) 　　　內插情形發生在曾經做過的實例太過級化，資料分配不均，形成資料分佈多峰狀。 　　　假設一建設公司，只有四樓以下透天或是八樓以上的大樓共25筆案例資料。資料分配如圖所示： 第三章　資料缺漏之定義 (5/5) 　　　為ㄧ般常見之缺漏方式，這種情形發生在已完成過之工程資料，但因為某些理由，讓資料無法完整被保存下來，形成ㄧ種殘缺、缺漏的資料庫。 　　　若資料庫中發生有殘缺的數據或資料，本研究稱之為資料屬性值缺漏。 第四章　現有解決資料缺漏方法(1/5) 捨棄缺漏資料法 補足缺漏資料法 學習缺漏資料法 第四章　現有解決資料缺漏方法(2/5)