Abstract
本研究針對資料挖礦的議題，提出兩個整合性系統，分別應用在預測以及分類的問題上面。第一個系統是應用在國際股價的預測上，其結構由小波轉換以及簡易型遞迴類神經(SRNN)所組成，再使用蜜蜂演算法(ABC)進行類神經參數最佳化。系統的運作過程有三個階段: 首先應用小波轉換中的Haar 轉換適當地消除股價時間序列中的雜訊；再者，SRNN中的輸入元(輸入資料)在本研究中是採用財務領域中基本分析以及技術分析得到的資料，再經由逐步式回歸相關選擇法(SRCS)得到與收盤價較適切的變數資料；最後，利用蜜蜂演算法來最佳化SRNN中的未知參數(權重以及修正值)。我們簡稱此系統為SRCS-WT-SRNN。 另一個系統是有關一個新的機器學習的概念，用來處理資料分類的問題。此系統中引進一個網格機制(GS)到原先的最小平方支持向量機中(LSSVM)，合稱為GS-LSSVM。GS-LSSVM的目的在於能夠在同一學習流程中，一次完成執行屬性選取、混合核函數之應用，以及參數的最佳化過程。此系統的運作過程可細分三個程序:首先，利用直交設計(OD)來得到初始參數解(包含欲選取的屬性個數和儲存在GS內的候選參數解)；再者，將根據GS中的第一個網格，由前一流程得到的結果隨機選出資料屬性，而這些挑選出的屬性將被送往LSSVM中；最後，在準確度最大化(誤差最小化)的條件下，使用蜜蜂演算法最佳化LSSVM。 為了能客觀穩健的評估所提出的方法，在預測資料上此研究將採用四國知名股價，包含美國道瓊工業指數(DJIA)、英國倫敦FTSE-100指數、日本東京Nikkei-225指數和台灣加權股價指數(TAIEX)。在分類資料方面，則採用10個UCI資料庫的分類資料。由實證結果得知，於股價實務作業上能有效預測並能獲得利潤；再者，在分類方面，所提出的分類系統GS-LSSVM能以較簡約的屬性條件下得到相較於其他在本文中列出的方法有更好的分類結果。