實驗描述

在實驗中為了解不同訓練樣本點數的影響，從 2 種高維度資料中，抽取不同 數目的訓練樣本點數作為實驗資料集。在 Washington DC Mall 資料中，訓練樣本 點數分為每個類別各 20、40 及 100，分為實驗 1、實驗 2 及實驗 3，實驗抽取每 個類別各 100 個測試樣本點數，而在 Indian Pine Site 資料，抽取訓練樣本點數分 為每個類別各 20、40 及 100，分為實驗 4、實驗 5 及實驗 6，實驗抽取每個類別 各 200 個測試樣本點數。在教育測驗資料中，訓練樣本點數分為每個類別各 10 及 20，分為實驗 7 及實驗 8，測試樣本為除訓練樣本點數外的全部樣本。本研究 隨機選取 10 組訓練及測試樣本集進行實驗，Washington DC Mall 資料集的實驗樣 本點數如表 4-2，Indian Pine Site 資料集的實驗樣本點數如表 4-3，教育測驗資料 集的實驗樣本點數如表 4-4，而各實驗中所使用的 3 種分類器的設定、實驗的比 較基準和改良的演算法，列在表 4-5。在每一個實驗中的參數設定部份詳述如下。

本研究的核平滑化帶寬σ 設定為 5，為探討分類器個數 B 的影響，在 3 個實 驗中，針對 B 值為 20、50 和 100 的情形進行比較。高斯分類器、k 最近鄰法和支 撐向量分類器，各分類器的參數設定為，支撐向量分類器是使用 rbf(radial basis function) kernel，並以 5-fold cross-validation 法來選取參數，k 最近鄰法的 k 值設 為 1。在比較基準方面，本研究所提出的 3 種演算法將與使用單一基準分類器及 使用網格法的隨機子空間方法進行比較。網格法的範圍是由第 5 維閞始，每 5 維 建構原隨機子空間方法至每 1 類別的最大訓練樣本點數為止。

表 4-2 Washington DC Mall 資料集實驗設計

維度 191

類別數 7

實驗 實驗 1 實驗 2 實驗 3

訓練樣本點數

(個別類別) 20 40 100

總訓練樣本 140 280 700

測試樣本點數

(個別類別) 100

總測試樣本 700

表 4-3 Indian Pine Site 資料集實驗設計

維度 220

類別數 9

實驗 實驗 4 實驗 5 實驗 6

訓練樣本點數

(個別類別) 20 40 100

總訓練樣本 180 360 900

測試樣本點數

(個別類別) 200

總測試樣本 1800

表 4-4 教育測驗資料集實驗設計

維度 27

類別數 15

實驗 實驗 7 實驗 8

訓練樣本點數

(個別類別) 10 20

總訓練樣本 150 300

總測試樣本 1042 892

表 4-5 本研究比較之演算法

縮寫 說明

Single

高斯分類器(qdc)、k 最近鄰分類器(knnc, k=1)及支撐 向量分類器使用 rbf kernel(svc,用 5-fold 法取參數)。

RSM_grid

原隨機子空間方法使用網格法來找尋最佳辨識正確 率，Washington DC Mall 資料的實驗 1 至 3 中，維度 網格分別設為[5, 10, 15, 20]、[5, 10, ..., 40]及[5, 10, …, 100]。Indian Pine Site 的實驗 4 至 6 中，維度網格分 別設為[5, 10, 15, 20]、[5, 10, ..., 40]及[5, 10, …, 100]。教育測驗資料在實驗 7 維度網格為[5,10]，在 實驗 8，為[5,10,...,20]。

RSM_KS

原隨機子空間方法由核平滑化法所估計的重要分佈 來自動選取維度。

WRSM_KS1 RSM_KS 用訓練樣本辨識正確率作為特徵加權。

WRSM_KS2 RSM_KS 用線性區別分析類別分離量作為特徵加權。