基于轉導推理思想的一致性預測器.pdf

1、當前存在的一些機器學習分類算法多是建立在歸納、演繹邏輯推理的方法基礎之上,面對一批數(shù)據(jù)總是試圖從中提取一個適用的通用分類模型,并期望此分類模型有較高的預測性能;但是這種分類模式在高風險、小樣本領域卻有一定的局限性:首先基于數(shù)量有限的小樣本數(shù)據(jù),用于歸納一個通用規(guī)則的訓練樣本數(shù)據(jù)較少,造成分類模型的準確度較低,而且忽略了測試集樣本的信息,從而不能充分利用所有樣本數(shù)據(jù)信息;其次分類預測結果通常只是簡單的將樣本劃分為某一類,對樣本多大程度上屬

2、于這一類沒有一個量的概念,且預測結果沒有置信度衡量,在高風險領域的應用尚有不足。
　　 本文對基于轉導推理的一致性預測算法的研究就是針對此局限性而展開的。轉導推理是基于整個樣本所擁有的全部信息直接進行分類識別的原則方法,分類過程中不需歸納分類模型,而是通過探索待測數(shù)據(jù)和樣本序列之間的內(nèi)在聯(lián)系而進行推理判別;算法是通過Kolmogorov算法隨機性理論建立一種置信度機制,通過隨機性檢測函數(shù)對置信度進行估算,且隨機性檢測函數(shù)的結果就

3、是預測結果的可信度,同時在置信度控制下其算法預測結果是域的形式。
　　 一致性預測算法的核心部分是非一致性度量函數(shù)的設計,設計非一致性度量函數(shù)可以融合現(xiàn)有分類算法進行。本文首先對k近鄰一致性預測算法和支持向量機一致性預測算法進行研究,并在k近鄰一致性預測算法的基礎上進行改進,提出用測地線距離來代替歐式距離度量樣本間相似性;然后基于邏輯回歸模型實現(xiàn)了基于Logistic回歸的一致性預測算法;本文所有算法都是基于MatlabR200