版權(quán)說(shuō)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(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、分類是數(shù)據(jù)挖掘中的一項(xiàng)重要任務(wù),分類是先通過(guò)類標(biāo)號(hào)已知的數(shù)據(jù)建立模型,然后對(duì)類標(biāo)未知的樣本進(jìn)行分類。分類正確率是衡量一個(gè)分類器性能的重要指標(biāo),然而單個(gè)的分類器有時(shí)不能達(dá)到較好的正確率,而集成學(xué)習(xí)的出現(xiàn)使得這一問(wèn)題得到改善。集成分類學(xué)習(xí)是指通過(guò)多個(gè)分類器來(lái)解決同一學(xué)習(xí)任務(wù),能夠獲得比僅使用單一分類器更好的性能。集成學(xué)習(xí)成為近年來(lái)機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)熱點(diǎn)方向,由于其優(yōu)良的特性,現(xiàn)已在多個(gè)領(lǐng)域得到應(yīng)用,例如行星探測(cè)、字符識(shí)別、生物認(rèn)證、Web信
2、息過(guò)濾等。
目前集成學(xué)習(xí)的研究?jī)?nèi)容主要包括兩個(gè)方面:第一,個(gè)體學(xué)習(xí)器精度不能太低,如果學(xué)習(xí)精度過(guò)低,將導(dǎo)致集成的精度不高;第二,個(gè)體學(xué)習(xí)器之間要有差異性,如果沒(méi)有差異性,則集成是沒(méi)有意義的。目前已有多種產(chǎn)生差異性的方法,如:基于特征集技術(shù),通過(guò)某種策略選取特征子集,可以通過(guò)不同的特征集獲取個(gè)體間的差異性;基于數(shù)據(jù)技術(shù),采用取樣技術(shù)獲取不同訓(xùn)練數(shù)據(jù)來(lái)獲得個(gè)體間差異性。然而集成學(xué)習(xí)還存在著一些未解決的問(wèn)題,如何設(shè)計(jì)差異性大的學(xué)習(xí)器
3、,以及差異性的度量問(wèn)題。通過(guò)對(duì)集成學(xué)習(xí)的深入了解,本文把集成學(xué)習(xí)應(yīng)用到分類過(guò)程中,在兩大經(jīng)典算法AdaBoost和Bagging的基礎(chǔ)上做了一定的改進(jìn)。獲得了好的分類性能以及更快的收斂速度。
具體來(lái)說(shuō),本文開(kāi)展并完成的工作主要包括以下幾點(diǎn):
(1)首先介紹了分類的過(guò)程,目前常用的分類算法的基本思想,各種分類算法的優(yōu)缺點(diǎn),簡(jiǎn)要介紹了集成學(xué)習(xí)的基本概念,分析了兩大代表算法AdaBoost和Bagging的理論基礎(chǔ),對(duì)選擇
4、性集成學(xué)習(xí)進(jìn)行了簡(jiǎn)要闡述,指出目前集成學(xué)習(xí)的不足以及發(fā)展方向,為更好的發(fā)展集成學(xué)習(xí)提供了依據(jù)。
(2)為了產(chǎn)生精度更高、收斂速度更快的集成,提出了一種新的標(biāo)記迭代過(guò)程中錯(cuò)分樣本的AdaBoost算法(MWBoost),該算法通過(guò)在提升過(guò)程中,總是把上一個(gè)分類器錯(cuò)分的樣本全部參入到下一個(gè)分類器的訓(xùn)練中,同時(shí)在分類正確的樣本中進(jìn)行重采樣,從而使得后一輪提升中分類器能夠更快速地關(guān)注那些難以分類的樣本。該算法在UCI的多個(gè)數(shù)據(jù)集上進(jìn)行
5、了測(cè)試,并且與傳統(tǒng)的AdaBoost算法進(jìn)行了比較,實(shí)驗(yàn)結(jié)果表明新的算法具有更好的分類精度以及更快的收斂速度。
(3)為了產(chǎn)生多樣性的分類器,基于模糊聚類思想,提出了一種新的Bagging集成方法F-Bagging?;舅枷胧牵紫劝延?xùn)練數(shù)據(jù)通過(guò)模糊聚類思想聚類,然后根據(jù)隸屬度矩陣,如果樣例屬于多個(gè)簇的隸屬度差值在一個(gè)閾值范圍內(nèi),那么就把此樣例同時(shí)劃分到這幾個(gè)簇中,此方法充分遵循了樣例的實(shí)際分布,最后把各個(gè)子集進(jìn)行訓(xùn)練。由于各
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)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(qǐng)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(qǐng)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(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)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(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)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(duì)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(qǐng)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(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于分類學(xué)習(xí)的人臉識(shí)別算法研究.pdf
- 超文本的集成分類算法研究.pdf
- 在線學(xué)習(xí)的集成分類器研究.pdf
- 數(shù)據(jù)流集成分類器算法研究.pdf
- 基于集成分類器的數(shù)據(jù)流分類算法研究.pdf
- 基于集成分類算法的電信客戶流失預(yù)測(cè)研究.pdf
- 基于集成學(xué)習(xí)技術(shù)的圖像分類算法研究.pdf
- 不完整數(shù)據(jù)集成分類算法的研究.pdf
- 基于粗糙集屬性約簡(jiǎn)的集成分類算法研究.pdf
- 基于改進(jìn)群體智能算法的數(shù)據(jù)分類學(xué)習(xí)模型研究.pdf
- 基于Boosting技術(shù)的顯露模式集成分類算法.pdf
- 集成分類器模型的研究.pdf
- 針對(duì)氣體傳感器陣列的集成分類算法研究.pdf
- 基于集成分類回歸樹(shù)算法的高速列車智能駕駛.pdf
- 基于支持向量機(jī)分類學(xué)習(xí)的彩色圖像超分辨重構(gòu)算法研究.pdf
- 風(fēng)險(xiǎn)管理方法分類學(xué)習(xí)
- 基于貪婪優(yōu)化和投影變換的集成分類器算法研究.pdf
- 范疇學(xué)習(xí)中分類學(xué)習(xí)與推理學(xué)習(xí)的對(duì)比研究.pdf
- 小學(xué)單詞分類學(xué)習(xí)用品
- 多分類器集成算法研究.pdf
評(píng)論
0/150
提交評(píng)論