检索结果-南通市图书馆

电子学报 2018年第11期46卷 2660-2670页

作者：徐婕贺美美湖北大学计算机与信息工程学院湖北武汉430062

本文将样本为独立同分布的情形减弱为一致遍历马氏链的情形去研究了非平衡数据分类算法的泛化性能,提出了基于马氏抽样的SVM非平衡数据分类算法、基于马氏抽样的EDSVM非平衡数据分类算法和基于马氏抽样的SVM-WKNN非平衡数据分类算法.并... 详细信息

本文将样本为独立同分布的情形减弱为一致遍历马氏链的情形去研究了非平衡数据分类算法的泛化性能,提出了基于马氏抽样的SVM非平衡数据分类算法、基于马氏抽样的EDSVM非平衡数据分类算法和基于马氏抽样的SVM-WKNN非平衡数据分类算法.并用UCI数据库中的10个实际不平衡数据集进行数值实验,实验结果表明基于马氏抽样的上述三种算法的错分率均比基于随机抽样的对应算法的错分率要低,且上述三种算法中,基于马氏抽样的SVM-WKNN非平衡数据分类算法的泛化性能最好.

关键词：马氏抽样支持向量机 k近邻算法非平衡数据

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于马氏抽样的在线支持向量机泛化性能的研究

基于马氏抽样的在线支持向量机泛化性能的研究

引用

作者：陈前湖北大学

学位级别：硕士

在当前机器学习的领域中,在线支持向量机分类算法是处理大规模数据分类问题的应用最为广泛的算法之一。传统的在线支持向量机算法中的损失函数仅仅依赖于一个样本,没有考虑到历史输入样本的数据信息。因此,基于成对损失函数的支持向量... 详细信息

在当前机器学习的领域中,在线支持向量机分类算法是处理大规模数据分类问题的应用最为广泛的算法之一。传统的在线支持向量机算法中的损失函数仅仅依赖于一个样本,没有考虑到历史输入样本的数据信息。因此,基于成对损失函数的支持向量机分类算法应运而生,即支持向量机分类算法的损失函数同时接受成对(两个)输入样本。因其能充分保存和利用历史输入样本的价值信息,达到最大化线性分类问题的受试工作特征(Receiver Operating Chracteristic,简称ROC)曲线下的面积的效果,所以基于成对损失函数进行高效的在线学习已发展成为构建大规模学习系统中的关键组件。但到目前为止,已知的对在线支持向量机分类算法泛化能力的研究工作几乎都是基于数据(或样本)是独立同分布假设的,而样本是独立同分布的假设,无论从理论上,还是实际应用中都是很强的。另外,随机独立抽样保留了大量的噪声数据,抽得的训练样本价值密度较低。而非独立抽样则抽取较少的代表性样本,很大程度上提高了学习系统的学习效率和性能表现。为了探讨非独立同分布数据对这在线支持向量机分类算法学习性能的影响,本文将样本为独立同分布的假设减弱为了一致遍历马氏链,引入了新的马氏抽样方法来研究在线支持向量机分类算法的泛化性能。提出基于马氏抽样的在线支持向量机分类算法和基于马氏抽样的在线成对损失支持向量机分类算法,然后对这两种改进后的算法进行数值实验研究,实验结果表明:基于马氏抽样的在线支持向量机分类算法和在线成对损失支持向量机分类算法不仅比基于随机(独立)抽样的算法有更好的泛化性能,预测结果也更加平稳,并且随着训练样本数目的增加,这种优势越来越明显。

关键词：在线支持向量机马氏抽样成对损失一致遍历马尔科夫链

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

在线学习算法的推广性能研究

在线学习算法的推广性能研究

引用

作者：李传洲湖北大学

学位级别：硕士

随着计算机技术的飞速发展,人类收集数据,储存数据的能力得到了极大地提高,无论是科学研究,还是社会生活的各个领域都积累了大量数据,截止2012年,数据量已经从TB（1024GB=1TB）级跃升到PB（1024TB=1PB）级、EB（1024PB=1EB）级乃至ZB（1... 详细信息

随着计算机技术的飞速发展,人类收集数据,储存数据的能力得到了极大地提高,无论是科学研究,还是社会生活的各个领域都积累了大量数据,截止2012年,数据量已经从TB（1024GB=1TB）级跃升到PB（1024TB=1PB）级、EB（1024PB=1EB）级乃至ZB（1024EB=1ZB）级,国际商用机器公司（IBM）的研究结果表明,整个人类文明所获得的全部数据中,有90%是过去两年内产生的.而到了2020年,全世界所产生的数据规模将达到今天的44倍,这就是所谓的大数据时代.面对大数据,传统的机器学习算法,如用于解决模式识别问题的支持向量机分类（Support Vector Machine Classification,简称SVMC）和用于解决回归估计问题的Ridge回归、支持向量机回归（Support Vector Machine Regression,简称SVMR）等机器学习算法的执行通常需要求解一个2次优化问题,其算法的复杂度大约为O（n3）,其中n是训练样本的数目.特别的,当训练样本的数目n ≥ 10000时,这些算法通常是很难执行的,这意味着上述这些算法都是小样本情形下的机器学习算法,而对于大样本情形,我们通常采用的是在线学习算法.因为无论从理论上,还是实际应用上,数据是独立同分布的假设都是非常强的,为此,在本文,我们研究了基于非独立同分布数据的在线学习算法的推广性能.本文首先介绍基于混合序列的在线学习算法的推广性能.对于分类问题,我们设计出了基于马氏抽样的在线SVMC算法,通过实际数据的数值实验研究,我们发现,基于马氏抽样的在线SVMC学习算法确实比基于随机独立抽样的SVMC算法具有比较好的学习性能.

关键词：在线学习推广性能在线支持向量机分类马氏抽样

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于选择性抽样的SVM增量学习算法的泛化性能研究

引用

计算机测量与控制 2019年第4期27卷 184-189页

作者：余炎徐婕陈前杨艳湖北大学计算机与信息工程学院武汉430062 武汉晴川学院计算机科学学院武汉430204

针对大数据环境中存在很多的冗余和噪声数据,造成存储耗费和学习精度差等问题,为有效地选取代表性样本,同时提高学习精度和降低训练时间,提出了一种基于选择性抽样的SVM增量学习算法,算法采用马氏抽样作为抽样方式,抽样过程中利用决策... 详细信息

针对大数据环境中存在很多的冗余和噪声数据,造成存储耗费和学习精度差等问题,为有效地选取代表性样本,同时提高学习精度和降低训练时间,提出了一种基于选择性抽样的SVM增量学习算法,算法采用马氏抽样作为抽样方式,抽样过程中利用决策模型来计算样本间的转移概率,然后通过转移概率来决定是否接受样本作为训练数据,以达到选取代表性样本的目的;并与其他SVM增量学习算法做出比较,实验选取9个基准数据集,采用十倍交叉验证方式选取正则化参数,数值实验结果表明,该算法能在提高学习精度的同时,大幅度的减少抽样与训练总时间和支持向量总个数。

关键词： SVM 增量学习马氏抽样转移概率

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：