幾種典型機器學習方法及其應用研究.pdf

1、隨著信息技術的高速發(fā)展,人們已在很多應用領域積累了大量的數(shù)據(jù),對這些數(shù)據(jù)進行分析并學習數(shù)據(jù)中蘊含的知識,成為了這些應用領域的共同要求。機器學習是當前人工智能領域的熱點研究方向之一,它本身也是一個應用驅動的學科。已有的研究成果表明,很多應用問題采用機器學習的方法來解決是一種行之有效的渠道或手段。本文針對若干典型的應用問題,采用或提出合適的機器學習方法進行處理,取得了較好的效果。本文工作主要包括以下四個方面的內容:1.類別不平衡學習、代價敏

2、感學習及其在交叉銷售上的應用研究。交叉銷售已成為企業(yè)盈利的重要手段,如何解決其數(shù)據(jù)中普遍同時存在的類別不平衡和代價敏感問題是準確預測交叉銷售客戶的關鍵,也是難點之一。為解決上述應用問題,本文結合類別不平衡學習和代價敏感學習技術,提出了一種使用最優(yōu)閾值投票的方法。該方法首先結合過抽樣和欠抽樣技術獲取多個類別平衡的訓練數(shù)據(jù)集,然后在每個平衡數(shù)據(jù)集上分別訓練得到多個底層學習器,最后利用所提出的基于最優(yōu)閾值的投票集成方法集成底層學習器得到?jīng)Q策模

3、型。在PAKDD2007數(shù)據(jù)挖掘競賽的交叉銷售數(shù)據(jù)集上的實驗驗證了該方法的有效性。
　　 2.半監(jiān)督學習及其在指紋圖像分割上的應用研究。指紋圖像分割是自動指紋識別系統(tǒng)預處理中的關鍵技術之一。傳統(tǒng)的分割方法需要大量已標記的指紋圖像作為訓練數(shù)據(jù),但實際應用中獲取標記樣本比較繁瑣和耗時。本文根據(jù)半監(jiān)督學習的思想,提出了一種基于協(xié)同訓練的指紋圖像分割方法,以綜合利用已標記和未標記的指紋圖像。該方法在基于像素水平的Coherence、Me

4、an、Variance特征體系下,使用標記盒和支持向量機作為基分類器進行協(xié)同訓練。在FVC2002指紋庫上的實驗結果表明,該方法能夠在標記信息較少的情況下取得較好的性能,并且在處理低質量指紋圖像時也表現(xiàn)出了較強的魯棒性。
　　 3.距離度量學習及其在基于內容的圖像檢索(content-basedimageretrieval,CBIR)上的應用研究。在CBIR應用中,一個關鍵步驟就是度量圖像間的距離或相似度。距離度量學習可以為給定

5、的任務學習到恰當?shù)木嚯x度量準則并已被成功地應用于很多領域。然而,現(xiàn)有的多數(shù)距離度量學習均是離線式的方法,并不適用于CBIR的在線應用環(huán)境；現(xiàn)有的少數(shù)在線式距離度量學習方法也無法有效地利用圖像庫中充裕的未標記圖像信息。為解決上述問題,本文提出了一種在線式的半監(jiān)督距離度量學習方法并應用至CBIR中。該方法針對每個用戶查詢及其后續(xù)的相關反饋學習一個距離度量準則。檢索任務被設計成一系列的凸優(yōu)化問題,本文也給出了閉式解以實現(xiàn)快速求解。該方法根據(jù)用

6、戶的查詢和反饋信息來產(chǎn)生約束信息,并基于Qsim的思想有效利用了圖像庫中的未標記圖像。在COREL圖像庫上的實驗也驗證了該方法的有效性。
　　 4.相關特征映射及其在CBIR上的應用研究。CBIR系統(tǒng)的最終目的就是依據(jù)用戶的查詢?yōu)橛脩羲阉飨嚓P圖像,其搜索的準確性和可靠性在很大程度上取決于系統(tǒng)內部的排序方法。本文提出了一種基于相關特征映射技術的排序方法。分析顯示,映射之后的空間能更好地適用于CBIR的排序任務。本文也設計了一個新的