數(shù)據(jù)分析系統(tǒng)以及方法
【技術領域】
[0001]本發(fā)明是有關于一種數(shù)據(jù)分析系統(tǒng)及方法，特別是有關于一種根據(jù)輸入數(shù)據(jù)的不同特征值，更新輸入數(shù)據(jù)與預測模型間的機率值。
【背景技術】
[0002]隨著科技的進步，我們已有能力將大量數(shù)據(jù)轉換為有意義的信息，并利用特定的演算法進行行為的預測。而通過機器學習演算法的運作，我們可以根據(jù)數(shù)據(jù)的數(shù)據(jù)建立一樣版模型，再借由判斷輸入數(shù)據(jù)與樣版模型的關聯(lián)性來分類輸入數(shù)據(jù)類型。由于預測準確度與演算法的復雜度有關，因此為了維持預測的準確度，演算法的計算通常需要大量數(shù)據(jù)以及時間。因此，如何在維持預測準確度的條件下，提升演算法運作效率為目前使用者所需解決之問題。

【發(fā)明內(nèi)容】

[0003]本發(fā)明的目的在于提供一種數(shù)據(jù)分析系統(tǒng)，以在維持預測準確度的條件下，提升演算法運作效率。
[0004]本發(fā)明一實施例提供的數(shù)據(jù)分析系統(tǒng)，包括一模型建立單元、一特征擷取單元、一處理單元以及一輸出單元。模型建立單元利用一訓練數(shù)據(jù)通過一機器學習演算法建立一預測模型。特征擷取單元擷取輸入數(shù)據(jù)的多個特征數(shù)據(jù)，并將特征數(shù)據(jù)分類為多個群組。處理單元利用群組之一所對應的特征數(shù)據(jù)通過機器學習演算法取得輸入數(shù)據(jù)對應于預測模型的機率值，并判斷機率值。當機率值小于一既定值時，則選取未選取群組之一所對應的特征數(shù)據(jù)通過機器學習演算法更新輸入數(shù)據(jù)對應于預測模型的機率值，當機率值大于或等于既定值，則根據(jù)機率值分類輸入數(shù)據(jù)。輸出單元輸出一分類結果。
[0005]本發(fā)明另一實施例提供一種數(shù)據(jù)分析方法，步驟包括:利用一訓練數(shù)據(jù)通過一機器學習演算法建立一預測模型；接收一筆輸入數(shù)據(jù)，其中輸入數(shù)據(jù)具有多個特征數(shù)據(jù)；擷取輸入數(shù)據(jù)的特征數(shù)據(jù)，并將特征數(shù)據(jù)分類為多個群組；選取群組之一所對應的特征數(shù)據(jù)通過機器學習演算法取得輸入數(shù)據(jù)對應于預測模型的一機率值；判斷機率值。當機率值小于一既定值時，則選取未選取群組之一所對應的特征數(shù)據(jù)通過機器學習演算法更新輸入數(shù)據(jù)對應于預測模型的機率值，以及當機率值大于或等于既定值時，則根據(jù)機率值分類輸入數(shù)據(jù)。
[0006]本發(fā)明另一實施例提供一種數(shù)據(jù)分析系統(tǒng)，包括一模型建立單元、一特征擷取單元、一處理單元以及一輸出單元。模型建立單元利用訓練數(shù)據(jù)通過機器學習演算法建立一預測模型。特征擷取單元擷取輸入數(shù)據(jù)的多個特征數(shù)據(jù)，并將特征數(shù)據(jù)分類為第一群組以及第二群組。處理單元利用第一群組所對應的特征數(shù)據(jù)的部分以及第二群組所對應的特征數(shù)據(jù)的部分通過機器學習演算法分別取得對應于預測模型的第一機率值以及第二機率值，并根據(jù)第一機率值以及第二機率值取第一群組以及第二群組之一所對應的所有特征數(shù)據(jù)取得判斷結果。輸出單元輸出判斷結果。
[0007]本發(fā)明另一實施例提供一種數(shù)據(jù)分析方法，步驟包括:利用訓練數(shù)據(jù)通過機器學習演算法建立一預測模型；接收一筆輸入數(shù)據(jù)，其中輸入數(shù)據(jù)具有多個特征數(shù)據(jù)；將特征數(shù)據(jù)分類為第一群組以及第二群組；利用第一群組所對應的特征數(shù)據(jù)的部分以及第二群組所對應的特征數(shù)據(jù)的部分通過機器學習演算法分別取得對應于預測模型的第一機率值以及第二機率值；根據(jù)第一機率值以及第二機率值取第一群組以及第二群組之一所對應所有特征數(shù)據(jù)取得一判斷結果；以及輸出判斷結果。
[0008]根據(jù)本發(fā)明一實施例所提出的數(shù)據(jù)分析系統(tǒng)以及數(shù)據(jù)分析方法，使用者可根據(jù)輸入數(shù)據(jù)的特征值的權重將部分特征值輸入機器學習演算法中，以取得輸入數(shù)據(jù)對應于預測模型的機率值，并根據(jù)機率值決定是否要選取更多的特征值以提高預測的準確率，如此可減少機器學習演算法的運算次數(shù)，以借此提高數(shù)據(jù)分析的處理效率。
【附圖說明】
[0009]圖1顯示根據(jù)本發(fā)明一實施例所述的數(shù)據(jù)分析系統(tǒng)的方塊圖；
[0010]圖2顯示根據(jù)本發(fā)明一實施例所述的數(shù)據(jù)分析方法的流程圖；
[0011]圖3顯示根據(jù)本發(fā)明另一實施例所述的數(shù)據(jù)分析系統(tǒng)的方塊圖；
[0012]圖4顯示根據(jù)本發(fā)明另一實施例所述的數(shù)據(jù)分析方法的流程圖；
[0013]圖5顯示根據(jù)本發(fā)明另一實施例所述的數(shù)據(jù)分析系統(tǒng)的方塊圖；
[0014]圖6顯示根據(jù)本發(fā)明另一實施例所述的數(shù)據(jù)分析方法的流程圖。
[0015]符號說明:
[0016]100、300、500?數(shù)據(jù)分析系統(tǒng)；
[0017]110、310、510?模型建立單元；
[0018]120、320、520?特征擷取單元；
[0019]130,330,530 ?處理單元；
[0020]140,340,540 ?輸出單元；
[0021]S201 ?S208、S401 ?S412、S601 ?S612 ?步驟流程。
【具體實施方式】
[0022]有關本發(fā)明的系統(tǒng)及方法與其他范圍將于接下來所提供的詳述中清楚易見。必須了解的是下列詳述及具體的實施例，當提出有關數(shù)據(jù)分析系統(tǒng)以及數(shù)據(jù)分析方法的示范實施例時，僅作為描述的目的，本發(fā)明范圍不因此受限制。
[0023]圖1顯示根據(jù)本發(fā)明一實施例所述數(shù)據(jù)分析系統(tǒng)的示意圖。如圖1所示，數(shù)據(jù)分析系統(tǒng)100包括一模型建立單元110、一特征擷取單元120、一處理單元130以及一輸出單元140。模型建立單元110利用一訓練數(shù)據(jù)通過一機器學習演算法建立一預測模型。訓練數(shù)據(jù)根據(jù)機器學習演算法的類型擷取相關的特征值以建立預測模型。特征擷取單元120擷取輸入數(shù)據(jù)的多個特征數(shù)據(jù)，并將特征數(shù)據(jù)分類為多個群組。其中，特征擷取單元120還根據(jù)輸入數(shù)據(jù)對應于機器學習演算法的一既定權重對特征數(shù)據(jù)進行分類。處理單元130利用群組之一所對應的特征數(shù)據(jù)通過機器學習演算法取得并判斷輸入數(shù)據(jù)對應于預測模型的機率值。當機率值大于或等于既定值時，則判斷輸入數(shù)據(jù)與訓練數(shù)據(jù)為相同的類別。反之，當機率值小于既定值時，則選取未選取群組之一所對應的特征數(shù)據(jù)通過機器學習演算法更新輸入數(shù)據(jù)對應于預測模型的機率值。然而，當已無未選取的群組，且機率值小于既定值時，則判斷輸入數(shù)據(jù)以及訓練數(shù)據(jù)為不同的類別。輸出單元140根據(jù)判斷結果輸出一分類結果。
[0024]請配合圖1參閱圖2。圖2顯示根據(jù)本發(fā)明另一實施例所述數(shù)據(jù)分析方法的流程圖。于此實施例中，數(shù)據(jù)分析方法適用于一車牌辨識系統(tǒng)。首先，于步驟S201，模型建立單元110分別將單個或多個數(shù)字0?9的訓練圖像輸入機器學習演算法以建立一第一預測模型。第一預測模型用以判斷輸入圖像與訓練圖像的關聯(lián)性。于步驟S202，輸入一輸入圖像至特征擷取單元120。接著，于步驟S203，特征擷取單元120根據(jù)機器學習演算法的類型擷取輸入圖像的多個特征值，并根據(jù)特征值所對應的權重將其分類為多個群組。舉例來說，一輸入圖像的大小為100像素*100像素，其中可將每一個像素視為一個特征值。換言之，此輸入圖像具有10000個特征值。特征擷取單元120根據(jù)權重將10000個特征值分類為40個群組。由于輸入圖像為圖像數(shù)據(jù)，故特征數(shù)據(jù)通常與色彩信息以及邊緣信息有關。此外，特征擷取單元120還根據(jù)機器學習演算法的類型賦與各個特征數(shù)據(jù)可調整的權重，而特征數(shù)據(jù)的權重可根據(jù)系統(tǒng)的需求進行調整。
[0025]于步驟S204，處理單元130選取具有最大權重的特征值作為輸入機器學習演算法的特征值，并取得對應于第一預測模型的機率值。于步驟S205，處理單元130于取得機率值后，還判斷機率值是否大于一既定值。若機率值大于或等于既定值，則進入步驟S206，處理單元130判斷輸入圖像與預測模組的圖像相同。
[0026]反之，當機率值小于既定值時，則進入步驟S207，處理單元130判斷是否有未選取的群組。若仍有未選取的群組，則回到步驟S204，處理單元130重新選取具有最大權重的群組加上具有次大權重的群組作為輸入機器學習演算法的特征值，以更新輸入圖像對應于第一預測模型的機率值。換言之，處理單元130第一次僅選取單一個群組的特征值作為輸入機器學習演算法的特征值，若機率值小于既定值，則處理單元130于進行第二次運算時選取兩個群組的特征值作為輸入機器學習演算法的特征值。以此類推，若機率值持續(xù)小于既定值，則處理單元130依權重順序持續(xù)新增未選取的群組的特征值以作為輸入機