用于区域发展结果数据分组的无监督神经网络-朴素贝叶斯模型
计算机与社会
2015-05-21 v1
摘要
确定发展象限对于依据部门地区国内生产总值(GDP)评估一个地区的发展成就具有重要作用。确定发展象限的过程通常基于其部门 GDP 使用 Klassen 规则。本研究旨在利用聚类技术为区域发展象限聚类提供新方法。聚类是根据某地区的增长与发展贡献的平均值，与全省发展的平均值和贡献（基于与待比较年份数据相对比的数据）进行比较来执行的。聚类模型的测试在包含两个省的数据集上进行，即 Banten（作为测试数据）和 Central Java（作为训练数据），以观察所提出分类模型的准确性。所提模型包含两种学习方法，即无监督（自组织映射 / SOM-NN）方法和有监督（Naive Bayess）。SOM-NN 方法用作学习引擎，为将在机器学习 Naive Bayess 中使用的目标类别生成训练数据。结果显示，该模型的聚类准确率为 98.1%，而模型结果与手工分析相比的聚类准确率显示 Klassen 类型学的准确率较低，即为 29.63%。另一方面，所提模型的聚类结果受所用数据集的数量和 keagaraman 影响。
引用
@article{arxiv.1505.05322,
title = {Unsupervised Neural Network-Naive Bayes Model for Grouping Data Regional Development Results},
author = {Azhari SN and Tb. Ai Munandar},
journal= {arXiv preprint arXiv:1505.05322},
year = {2015}
}
备注
6 pages