版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領
文檔簡介
1、集成學習,又稱多分類器系統(tǒng),嘗試著訓練多個不同的基分類器,通過協(xié)同合作來處理問題。作為機器學習的一個新的學習范式,集成學習的目的在于改善算法的泛化性能。然而,分類器的預測精度和泛化能力常常受到訓練數(shù)據(jù)中標簽噪聲樣本的影響。目前主要有兩種有效的處理訓練集中標簽噪聲的方法:一種是構建對標簽噪聲魯棒的學習算法框架,一種是檢測并清除數(shù)據(jù)集中的標簽噪聲樣本。在本篇論文中,三個研究內容,應用集成學習方法,圍繞著上面兩種標簽噪聲處理方法展開。
2、 論文的主要研究內容內如下:
?。?)提出了一種基于Condensed Nearest Neighbor和集成的魯棒學習方法框架。CNN方法作為一種基于實例選擇的方法,旨在構建一個有效的訓練子集,使其能代表整個訓練集。算法利用Condensed Nearest Neighbors對標簽噪聲的敏感特性和其樣本選擇的特性,有效地構建噪聲比例相對較少的多個訓練數(shù)據(jù)子集,通過訓練子集的差異性和低標簽噪聲率來訓練得到魯棒和有效的基分類器
3、,最后對基分類器的學習結果進行集成組合。實驗通過對比經(jīng)典Bagging、AdaBoost和隨機森林算法等集成學習方法,在處理不同噪聲樣本比例的數(shù)據(jù)集時,取得了更好的分類效果,展現(xiàn)了更強的標簽噪聲魯棒性。
?。?)基于隨機森林和數(shù)據(jù)集分塊的集成去噪算法中,首先,利用隨機森林方法對Majority Filtering算法做出了改進,以期訓練得到的基分類器具有很好的噪聲容忍特性。然后,算法進行多次隨機的數(shù)據(jù)集分塊,通過隨機森林改進后的
4、Majority Filtering算法檢測出多個疑似標簽噪聲樣本集,最終經(jīng)過多數(shù)投票,決定出訓練集中的標簽噪聲樣本并進行剔除。實驗表明,提出的算法可以檢測出更多的標簽噪聲樣本,較少地剔除標記正確的樣本,證實了算法的有效性。
?。?)基于Majority Voting的改進AdaBoost標簽噪聲抑制算法中,針對AdaBoost算法對于噪聲樣本的敏感性,即噪聲樣本的權重會隨著算法迭代次數(shù)的增加而增加,進而影響到樣本子集的采樣選取
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。文件的所有權益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
- 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
- 6. 下載文件中如有侵權或不適當內容,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確性、安全性和完整性, 同時也不承擔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
- 基于集成學習的PolSAR標簽噪聲研究.pdf
- 基于自步學習的對標簽噪聲穩(wěn)健的半監(jiān)督分類方法研究.pdf
- 基于集成的單標簽和多標簽數(shù)據(jù)流分類算法研究.pdf
- 集成射頻低噪聲鑒頻相器的研究.pdf
- 基于標簽特征向量的網(wǎng)頁去噪聲研究及其應用.pdf
- dede標簽學習
- 基于多標簽學習的圖像分類研究.pdf
- 基于學習標簽相關性的多標簽分類算法.pdf
- 基于主動學習的多示例多標簽學習算法研究.pdf
- 基于RBF神經(jīng)網(wǎng)絡和標簽關聯(lián)的多標簽學習.pdf
- 面向HFRFID標簽的集成溫度傳感器設計.pdf
- 多標簽分類問題的學習
- 基于選擇性集成的機場噪聲預測模型研究.pdf
- 機場噪聲動態(tài)與異構集成預測方法研究.pdf
- 基于集成學習的多標記學習算法研究.pdf
- 集成天線電子標簽的設計及仿真.pdf
- 基于主動學習的多標簽圖像分類方法研究.pdf
- 混合信號集成電路中襯底耦合噪聲的研究.pdf
- 多標簽學習中關鍵問題研究.pdf
- 多標簽分類中在線學習算法研究.pdf
評論
0/150
提交評論