MÔ HÌNH TÍCH HỢP F-SVM VÀ TRI THỨC TIÊN NGHIỆM CHO BÀI TOÁN DỰ BÁO HỒI QUY

Authors

  • Khoa CNTT
  • Lê Mạnh Thạnh

Abstract

Tóm tắt: Bài báo này đề xuất một mô hình mờ dựa trên sự tích hợp tri thức tiên nghiệm (apriori knowledge) với F-SVM (Support Vector Machines-based Fuzzy model) cho bài toándự báo hồi quy. Mô hình này tiếp cận theo hướng trích xuất các tập luật mờ “có thể diễndịch được” cho hệ dự báo dựa trên sự kết hợp các mô hình máy học thống kê. Bằng cáchtích hợp tri thức tiên nghiệm với mô hình mờ dựa trên SVM (thuật toán SVM-IF), hệ thốngluật mờ trích xuất được sẽ giảm đi tính phức tạp và được tối ưu hóa. Ngoài ra trong môhình đề xuất, không gian dữ liệu đầu vào được phân chia thành các cụm tách rời bằng thuậttoán SOM (Self-Organizing Map) trước khi ứng dụng SVM-IF để trích xuất ra các tập luậtmờ. Các tập luật mờ sẽ được sử dụng để dự báo theo các thuật toán suy luận mờ. Hiệu quảcủa mô hình đề xuất được đánh giá thông qua mô hình thực nghiệm dự đoán giá cổ phiếu. Từ khóa: SVM, F-SVM, SOM, Tri thức tiên nghiệm, Dự báo hồi quy

Từ khóa: SVM, F-SVM, SOM, Tri thức tiên nghiệm, Dự báo hồi quy

References

Alex J. Smola, Bernhard Scholkopf, “A Tutorial on Support Vector Regression”, Statistics and Computing

: 199–222 (2004)

Bernhard Scholkopf, Alex J. Smola, Robert C. Williamson, Peter L. Bartlett, “New Support Vector

Algorithms”, Neural Computation12, 1207–1245 (2000)

Chih-Wei Hsu, Chih-Chung Chang, Chih-Jen lin, “A practical Guide to Support Vector Classification”.

http://www.csie.ntu.edu.tw/~cjlin/libsvm/ (2010)

Corinna Cortes, Vladimir Vapnik, “Support-Vector Networks”. Machine Learning, 20, 273-297 (1995)

David Martens, Johan Huysmans, Rudy Setiono, Jan Vanthienen, Bart Baesens, “Rule Extraction from

Support Vector Machines - An Overview of issues and application in credit scoring”, Studies in

Computational Intelligence (SCI) 80, 33–63 (2008)

Duc-Hien Nguyen, Manh-Thanh Le, “Improving the Interpretability of Support Vector Machines-based Fuzzy

Rules”, Advances in Smart Systems Research, Future Technology Publications, PO Box 2115, Shoreham-by-

sea, BN43 5WR, United Kingdom. ISSN: 2050-8662, No: Vol. 3 No. 1. Pages: 7 - 14. (3013).

Duc-Hien Nguyen, Manh-Thanh Le, “A two-stage architecture for stock price forecasting by combining

SOM and fuzzy-SVM”, International Journal of Computer Science and Information Security (IJCSIS),

USA, ISSN: 1947-5500. No: Vol. 12 No. 8, 2014. Pages: 20-25. (2014).

Francis Eng Hock Tay, Li Yuan Cao, “Improved financial time series forecasting by combining Support

Vector Machines with self-organizing feature map”. Intelligent Data Analysis 5, 339-354, IOS press (2001)

J.-H Chiang, P.-Y Hao, “Support vector learning mechanism for fuzzy rule-based modeling: a new approach”.

IEEE Trans. On Fuzzy Systems, vol. 12, pp. 1-12 (2004)

J.L. Castro, L.D. Flores-Hidalgo, C.J. Mantas and J.M. Puche, “Extraction of fuzzy rules from support

vector machines”. Elsevier. Fuzzy Sets and Systems, 158, 2057 – 2077 (2007)

Juha Vesanto, Johan Himberg, Esa Alhoniemi, Jaha Parhankangas. “SOM Toolkox for Matlab 5”.

http://www.cis.hut.fi/projects/somtoolbox/ (2000)

L.Y.Cao, Francis E.H.Tay, Support vector machine with adaptive parameters in Financial time series

forecasting, IEEE trans. on neural network,vol. 14, no. 6 (2003)

John Yen, Reza Langari, “Fuzzy logic: Intelligence, Control, and Information”, Prentice hall, Uper dadle

river, New Jersey (1999)

Nahla Barakat, Andrew P. Bradley, “Rule extraction from support vector machines: A review”,

Neurocomputing – ELSEVIER, 74, 178–190 (2010)

S. Chen, J. Wang and D. Wang, “Extraction of fuzzy rules by using support vector machines”. IEEE,

Computer society, pp. 438-441 (2008)

Sheng-Hsun Hsu, JJ Po-An Hsieh, Ting-Chih CHih, Kuei-Chu Hsu, “A two-stage architecture for stock

price forecasting by integrating self-organizing map and support vector regression”, Expert system with

applications 36, 7947-7951 (2009)

Teuvo Kohonen, “The self-organizing map”, Elsevier, Neurocomputing 21, 1-6 (1998)

Volkan Uslan, Huseyin Seker, “Support Vector-Based Takagi-Sugeno Fuzzy System for the Prediction of

Binding Affinity of Peptide”, 35th Annual International Conference of the IEEE, (2013)

Published

2015-09-04