| dc.contributor.advisor | 陳麗霞<br>陳春龍 | zh_TW |
| dc.contributor.author (Authors) | 楊雅媛 | zh_TW |
| dc.creator (作者) | 楊雅媛 | zh_TW |
| dc.date (日期) | 2002 | en_US |
| dc.date.accessioned | 6-May-2016 16:36:10 (UTC+8) | - |
| dc.date.available | 6-May-2016 16:36:10 (UTC+8) | - |
| dc.date.issued (上傳時間) | 6-May-2016 16:36:10 (UTC+8) | - |
| dc.identifier (Other Identifiers) | G91NCCU1932012 | en_US |
| dc.identifier.uri (URI) | http://nccur.lib.nccu.edu.tw/handle/140.119/94418 | - |
| dc.description (描述) | 碩士 | zh_TW |
| dc.description (描述) | 國立政治大學 | zh_TW |
| dc.description (描述) | 統計學系 | zh_TW |
| dc.description (描述) | 88354017 | zh_TW |
| dc.description.abstract (摘要) | 迴歸分析與類神經網路此兩種方法皆是預測領域上的主要工具。本論文嘗試在線性迴歸模式及非線性迴歸模式的條件下，隨機產生不同特性的資料以完整探討資料特性對迴歸分析與類神經網路之預測效果的影響。這些特性包括常態分配、偏態分配、不等變異、Michaelis-Menten關係模式及指數迴歸模式。 | zh_TW |
| dc.description.abstract (摘要) | Both regression analysis and artificial neural networks are the main techniques for prediction. In this research, we tried to randomly generate different types of data, so as to completely explore the effect of data characteristics on the predictive performance of regression analysis and artificial neural networks. The data characteristics include normal distribution, skew distribution, unequal variances, Michaelis-Menten relationship model and exponential regression model. | en_US |
| dc.description.tableofcontents | 第一章 緒論 第一節 研究背景與動機-----5 第二節 研究之目的與重要性-----3 第二章 迴歸模式介紹 第一節 等變異之常態線性迴歸模式-----4 第二節 不等變異之常態線性迴歸模式-----5 第三節 對數線性迴歸模式-----7 第四節 非線性迴歸模式-----9 第三章 演化策略法結合類神經網路之模式 第一節 簡介類神經網路-----11 第二節 前授型類神經網路-----11 第三節 FNN的建立過程與訓練方法-----13 第四節 BPNN之缺點-----15 第五節 簡介演化策略法(ES)-----17 第六節 演化策略法結合類神經網路模式(ESNN)-----18 第四章 迴歸方法與類神經網路在預測方面之模擬比較 第一節 模式之型態與資料之產生-----21 （一）等變異之常態線性迴歸模式-----21 （二）不等變異之常態線性迴歸模式-----22 （三）韋伯迴歸模式-----22 （四）非線性迴歸模式-----23 第二節 模擬結果-----23 （一）等變異之常態線性迴歸模式-----24 （二）不等變異之常態線性迴歸模式-----39 （三）韋伯迴歸模式-----43 （四）非線性迴歸模式-----47 第三節 模擬結果之總結-----56 第五章 結論與建議-----57 參考文獻-----59 表2-1 對數線性迴歸模式T，Y與ε所服從的分配之關係-----6 表4-1 等變異之常態線性迴歸模式(n=50σ=20)三種方法的RMS值-----25 表4-2 等變異之常態線性迴歸模式(n=50σ=80)三種方法的RMS值-----26 表4-3 等變異常態線性迴歸模式(n=100σ=20)三種方法的RMS值-----27 表4-4 等變異常態線性迴歸模式(n=100σ=80)三種方法的RMS值-----28 表4-5 等變異常態線性迴歸模式(n=200σ=20)三種方法的RMS值-----29 表4-6 等變異常態線性迴歸模式(n=200σ=80)三種方法的RMS值-----30 表4-7 等變異常態線性迴歸模式(n=50σ=20)三種方法的MAPE值-----31 表4-8 等變異常態線性迴歸模式(n=50σ=80)三種方法的MAPE值-----32 表4-9 等變異常態線性迴歸模式(n=100σ=20)三方法的MAPE值-----33 表4-10 等變異常態線性迴歸模式(n=100σ=80)三方法的MAPE值-----34 表4-11 等變異常態線性迴歸模式(n=200σ=20)三方法的MAPE值-----35 表4-12 等變異常態線性迴歸模式(n=200σ=80)三方法的MAPE值-----36 表4-13 等變異之常態線性迴歸模式，RMS值之變異數分析-----37 表4-14 等變異之常態線性迴歸模式，MAPE值之變異數分析-----38 表4-15 不等變異之常態線性迴歸模式三種方法之RMS值-----40 表4-16 不等變異之常態線性迴歸模式三種方法之MAPE值-----41 表4-17 不等變異之常態線性迴歸模式，RMS值、MAPE值變異數分析-----42 表4-18 韋伯迴歸模式四種方法之RMS值-----44 表4-19 韋伯迴歸模式四種方法之MAPE值-----45 表4-20 韋伯迴歸模式四種方法之RMS值、MAPE值變異數分析-----46 表4-21 Michaelis-Menten關係模式四種方法之RMS值-----48 表4-22 Michaelis-Menten關係模式四種方法之MAPE值-----49 表4-23 指數迴歸模式四種方法之RMS值-----50 表4-24 指數迴歸模式四種方法之MAPE值-----51 表4-25 學習曲線例題四種方法之RMS值-----52 表4-26 學習曲線例題四種方法之MAPE值-----53 表4-27 非線性迴歸模式，四種方法之RMS值與MAPE值變異數分析-----54 | zh_TW |
| dc.source.uri (資料來源) | http://thesis.lib.nccu.edu.tw/record/#G91NCCU1932012 | en_US |
| dc.subject (關鍵詞) | 迴歸分析 | zh_TW |
| dc.subject (關鍵詞) | 類神經網路 | zh_TW |
| dc.subject (關鍵詞) | 區域搜尋法 | zh_TW |
| dc.subject (關鍵詞) | 演化策略法類神經網路 | zh_TW |
| dc.subject (關鍵詞) | 倒傳遞類神經網路 | zh_TW |
| dc.subject (關鍵詞) | Regression analysis | en_US |
| dc.subject (關鍵詞) | Artificial neural networks | en_US |
| dc.subject (關鍵詞) | Local search methods | en_US |
| dc.subject (關鍵詞) | Evolution strategies neural network (ESNN) | en_US |
| dc.subject (關鍵詞) | Back-propagation neural network (BPNN) | en_US |
| dc.title (題名) | 迴歸分析與類神經網路預測能力之比較 | zh_TW |
| dc.title (題名) | A comparison on the prediction performance of regression analysis and artificial neural networks | en_US |
| dc.type (資料類型) | thesis | en_US |
