28831.基于在線遷移學(xué)習(xí)的概念漂移數(shù)據(jù)流分類算法研究_第1頁
已閱讀1頁,還剩73頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進(jìn)行舉報或認(rèn)領(lǐng)

文檔簡介

1、密級碩士學(xué)位論文(全日制專業(yè)學(xué)位碩士)(全日制專業(yè)學(xué)位碩士)題目基于在線遷移學(xué)習(xí)的概念漂移數(shù)據(jù)流分類算法研究(英文)(英文)Researchonclassificationalgithmofconceptdriftdatastreambasedononlinetransferlearning研究生學(xué)號:1403304003研究生姓名:唐詩淇指導(dǎo)教師姓名、職稱指導(dǎo)教師姓名、職稱:文益民、教授申請學(xué)位類別:工程碩士領(lǐng)域:軟件工程論文答辯日期

2、:2017年6月8日摘要I摘要邁入大數(shù)據(jù)時代,很多數(shù)據(jù)以數(shù)據(jù)流的形式快速產(chǎn)生。數(shù)據(jù)流挖掘算法被應(yīng)用于很多領(lǐng)域。如:垃圾郵件分類、視頻行為分析、地震預(yù)報及新聞推薦等等。不同于傳統(tǒng)關(guān)系型數(shù)據(jù)模型,數(shù)據(jù)流中常常隱含著概念漂移,而傳統(tǒng)的機(jī)器學(xué)習(xí)算法本質(zhì)上都是基于一個靜態(tài)學(xué)習(xí)環(huán)境而以盡量保證學(xué)習(xí)系統(tǒng)泛化能力為目標(biāo)的一個尋優(yōu)過程,故其不太適應(yīng)數(shù)據(jù)流場景。因此,概念漂移問題已成為機(jī)器學(xué)習(xí)的熱點研究問題。現(xiàn)有的大多數(shù)概念漂移檢測算法一般都是當(dāng)檢測到發(fā)生

3、概念漂移后才對分類器進(jìn)行調(diào)整以適應(yīng)新到概念,因此概念漂移檢測總不可避免存在滯后性。在概念漂移發(fā)生初期由于獲取到的屬于新到概念的樣本較少,使得激活分類器在該時期由于訓(xùn)練或者調(diào)整不充分造成其對新到概念的適應(yīng)性較差,分類準(zhǔn)確率難以快速恢復(fù)。所以,在發(fā)生概念漂移后,如何使得分類器能快速適應(yīng)新到概念,對隱含概念漂移的數(shù)據(jù)流分類問題十分重要。針對以上問題,本文開展了以下兩個方面的工作:(1)針對含重現(xiàn)概念的數(shù)據(jù)流的學(xué)習(xí)與分類問題中的“負(fù)遷移”和概念

4、漂移檢測的滯后性,提出了一種基于在線遷移學(xué)習(xí)的重現(xiàn)概念漂移數(shù)據(jù)流分類算法RCOTL。RCOTL在檢測到概念漂移時選擇性存儲剛學(xué)習(xí)的基分類器,然后計算最近的樣本與存儲的各歷史分類器之間的領(lǐng)域相似度,以選擇最適合對后續(xù)樣本進(jìn)行學(xué)習(xí)的源分類器,從而改善從源領(lǐng)域到目標(biāo)領(lǐng)域的知識遷移。另外,RCOTL還在概念漂移檢測之前根據(jù)分類準(zhǔn)確率選擇合適的分類器對后續(xù)樣本分類初步的理論分析解釋了RCOTL為什么能有效克服“負(fù)遷移”,實驗結(jié)果進(jìn)一步表明:RCO

5、TL的確能有效提高分類準(zhǔn)確率,并且在遭遇概念漂移后能更快地適應(yīng)對后續(xù)樣本的分類。(2)在現(xiàn)有在線遷移學(xué)習(xí)算法中,當(dāng)單個源領(lǐng)域與目標(biāo)領(lǐng)域相似性不高時,很難進(jìn)行有效的遷移學(xué)習(xí)。對此,本文首先提出了一種基于局部分類精度的多源在線遷移學(xué)習(xí)方法LCMSOTL。LCMSOTL存儲多個源領(lǐng)域分類器,計算新到樣本與目標(biāo)領(lǐng)域已有樣本之間的距離以及各源領(lǐng)域分類器對其最近鄰樣本的分類精度,從源領(lǐng)域分類器中挑選局部較優(yōu)的分類器與目標(biāo)領(lǐng)域分類器加權(quán)組合,從而實現(xiàn)

6、從源領(lǐng)域到目標(biāo)領(lǐng)域的遷移學(xué)習(xí)。然后在LCMSOTL算法的基礎(chǔ)上,本文再提出了基于多源在線遷移學(xué)習(xí)概念漂移數(shù)據(jù)流分類算法CDMSOTL。當(dāng)檢測到概念漂移后,CDMSOTL利用LCMSOTL整合多個歷史概念實現(xiàn)對新到概念的遷移學(xué)習(xí),使得分類器能更塊地適應(yīng)新到概念。實驗結(jié)果表明:LCMSOTL能有效地從多個源領(lǐng)域?qū)崿F(xiàn)選擇性遷移,顯示出較高的分類準(zhǔn)確率,同時,CDMSOTL能在概念漂移發(fā)生后通過遷移多個歷史概念的知識幫助分類器迅速適應(yīng)新到概念。

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論