面向大數(shù)據(jù)的增量式學(xué)習(xí)算法研究.pdf

1、隨著數(shù)據(jù)規(guī)模快速增長，能夠處理大數(shù)據(jù)集的數(shù)據(jù)挖掘算法得到了廣泛的研究和應(yīng)用，成為目前研究的熱點(diǎn)之一。本文主要研究了面向大數(shù)據(jù)的增量式特征選擇和增量式分類學(xué)習(xí)算法。論文的主要研究工作有以下兩個內(nèi)容:
　?。?）以條件互信息作為度量標(biāo)準(zhǔn)的基礎(chǔ)上進(jìn)行增量式的特征選擇算法，主要通過將大數(shù)據(jù)模擬數(shù)據(jù)流并劃分為數(shù)據(jù)塊，增量對特征子集進(jìn)行信息度量，提高運(yùn)算效率，最終得到特征子集。為了驗(yàn)證所改進(jìn)的增量特征選擇算法的有效性，在UCI實(shí)驗(yàn)數(shù)據(jù)集上進(jìn)行

2、模擬實(shí)驗(yàn)比較分類性能。通過實(shí)驗(yàn)表明，增量特征選擇（I-MIFS）算法在大多數(shù)情況下都比其他算法要好，I-MIFS算法是一種適合大規(guī)模數(shù)據(jù)集的特征選擇算法。
　?。?）在神經(jīng)網(wǎng)絡(luò)集成的基礎(chǔ)上研究增量式大數(shù)據(jù)學(xué)習(xí)算法：研究了運(yùn)用改進(jìn)的Boosting技術(shù)完成個體神經(jīng)網(wǎng)絡(luò)的生成和最后結(jié)果的集成，將分類邊界的錯分樣本作為研究目標(biāo)，使集成的神經(jīng)網(wǎng)絡(luò)可以進(jìn)行大數(shù)據(jù)增量學(xué)習(xí)，通過設(shè)計(jì)實(shí)驗(yàn)，運(yùn)用UCI數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，對比分析可以得到增量大數(shù)據(jù)學(xué)習(xí)