Introduction to LDA

Introduction to LDA

Linear Discriminant Analysis
Not latent dirichlet allocation

Experiment Result for Pair Method

此篇為闡述實驗結果，相關的說明在PPT的摘要中，可下載來看已獲得更詳細的說明。
1. 對於相同網站，可以下不同的query來作比較。
2. 對於相同網站，相同query，不同時間來做比較。

3. 詢問之前發表過的論文，詢問作者是否有留下測試資料。

4. 在Combine process之後可以針對每筆合併的vector新增feature。

5. Attribute的feature可以比較新增下一個attribute的feature後的不同。或者下下個。

6. Attribute在set中的位置也可以當作feature。

7. 此次實驗為Attribute label，可嘗實驗instance label。

8. 其他Domain的測試。

9. 多看論文。

Progress Report090806

View more presentations from GUANBO.

ProgressReport09/04/27

延續上次的議題
以Old.xml 作Testing New.xml作Training 的測試下
同樣feature的輸入 其表現結果非常不好
instance accurary只有不到20%的效果
attribute accurary只有1/4

嚐試使用其他的feature set
attribute accurary最佳的效果只有2/4
面對不同的XML資料 所適用的featrue set 差異很大

對new.xml vs old.xml適用的feature set 不一定能應用在old.xml vs new.xml的對應上

上圖是以上次的feature set 當作輸入
我們所關心的Class 6 ,17 ,27 ,32中
只有Class 27是正確對映到的之外
其他Class並沒有很明顯的對映到正確的Class

Progress Report(09/04/16)

1.增加時間類型的feature 以求提高 attribute 17的precision 及recall
增加兩種計算時間格式的方法 time1 及 time2 以及之前的五個屬性 {: _ . , ?} 由於{? _} 兩屬性成效不高 刪除
但結果仍然囧

		舊資料		新資料
instance accuracy		30.59%		32.16%
Recall	6	0.93		0.93
	17	0		0
	27	0.5		1
	32	0.857		0
Precision	6	0.189		0.25
	17	0		0
	27	1		0.969
	32	0.92		0

2.比較不同Thread的Rejection 機制下的instance及attribute 的 accuracy (並畫圖)
摸索中

3.整理用過的程式

之前用c++寫 因為語言沒有支援xml 所以上網找了tinyxml
這是一款很多功能的xml 工具
http://www.grinninglizard.com/tinyxml/ 包含了驗證等功能 比lite還麻煩

也找了另一個m$出的簡易版XML，對於只要讀寫XML等動作也是非常簡便 (但也摸很久 囧)
http://msdn.microsoft.com/zh-tw/magazine/cc163436.aspx

直到我遇到他.............
C#
有種相逢恨晚的感覺
http://support.microsoft.com/kb/307548/zh-tw
真的是連猴子也會呢XD

4.比較舊feature set 以及新feature set 的instance 以及attribute 的accuracy

如圖一:




ps:帳號密碼try 好久 囧

---

用部落格分享照片、影音、趣味小工具和最愛清單，盡情秀出你自己 — Windows Live Spaces

test

test

---

聰明搜尋和瀏覽網路的免費工具列 — Windows Live 工具列

Data Selection For Support Vector Machine

摘要:



　　本論文介紹MSVM(Minimal Support Vector Machine)分類器，其概念為"基於SVM的架構下，減少其support vectors"。此分類器應用於Fraud detection等含有數以萬計的data　points，亦可以增進其他需要大量support vector才能決定的分類器之效能。

　　內文首先介紹SVM的作用及原理，其後介紹MSVM。此技術使用fast linear programming並加入了error term來減少所使用的vectors。最後提出了SLA(Successive Linearization Algorithm)的演算法來實作MSVM。最後是實驗比較。

將MSVM和FSV以及1-norm SVM對於七個資料集運算的結果做比較，明顯的發現MSVM所使用的support vectors遠低於另外兩個分類器所需要的個數。此外，對於一些資料集來說，MSVM的效能高於另外兩個分類器 。

Data Selection For Support Vector Machine Classifier

View SlideShare presentation or Upload your own.

SVM

最近在很多的課程都有提到一些SVM的訊息，但是對於小弟而言，SVM只是三個英文所組成的東西
並不了解其內容，於是去查了一些資料
http://www.csie.ntu.edu.tw/~piaip/docs/svm/
以上是一個SVM的簡易入門 ，由林教授的學生所撰寫
除了介紹SVM，也有libsvm的使用方式
簡單來說，SVM是一個分類器，
在不知道分類標準的情況下，我們先給SVM分類好的訓練資料
SVM會自行判斷出分類的準則且標示其分類空間
至於其原理..我還在啃.
不過這個東西真的很酷!
如果可以寫出自行判斷甚麼時候買股票的話...