本文關(guān)鍵詞： 地理加權(quán)回歸 半監(jiān)督學(xué)習(xí) SSLGWR 人口分布　出處：《測繪學(xué)報》2017年01期 　論文類型：期刊論文

【摘要】：地理加權(quán)回歸方法在小樣本數(shù)據(jù)下回歸分析精度往往不高。半監(jiān)督學(xué)習(xí)是一種利用未標(biāo)記樣本參與訓(xùn)練的機器學(xué)習(xí)方法,可以有效地提升少量有標(biāo)記樣本的學(xué)習(xí)性能�；诖吮疚奶岢隽艘环N基于半監(jiān)督學(xué)習(xí)的地理加權(quán)回歸方法,其核心思想是利用有標(biāo)記樣本建立回歸模型來訓(xùn)練未標(biāo)記樣本,再選擇置信度高的結(jié)果擴充有標(biāo)記樣本,不斷訓(xùn)練,以提高回歸性能。本文采用模擬數(shù)據(jù)和真實數(shù)據(jù)進行試驗,以均方誤差提升百分比作為性能評價指標(biāo),將SSLGWR與GWR、COREG對比分析。模擬數(shù)據(jù)試驗中,SSLGWR在3種不同配置下性能分別提升了39.66%、11.92%和0.94%。真實數(shù)據(jù)試驗中,SSLGWR在3種不同配置下性能分別提升了8.94%、3.36%和5.87%。SSLGWR結(jié)果均顯著優(yōu)于GWR和COGWR。試驗證明,半監(jiān)督學(xué)習(xí)方法能利用未標(biāo)記數(shù)據(jù)提升地理加權(quán)回歸模型的性能,特別是在有標(biāo)記樣本數(shù)量較少時作用顯著。
[Abstract]:The precision of regression analysis under small sample data is not high. Semi-supervised learning is a machine learning method which uses unlabeled samples to participate in training. It can effectively improve the learning performance of a small number of labeled samples. Based on this, a geo-weighted regression method based on semi-supervised learning is proposed. Its core idea is to use labeled samples to establish regression model to train unlabeled samples, and then select the results of high confidence to expand labeled samples, and continue to train. In order to improve the performance of regression, this paper uses simulated data and real data to test, using the increase percentage of mean square error as the performance evaluation index, SSLGWR and GWR. COREG comparative analysis. The performance of COREG LGWR in three different configurations increased by 39.66 11.92% and 0.944% respectively. The performance of SSLGWR in three different configurations was improved by 8.94% and 5.87.SSLGWR, respectively, and the results were significantly better than those of GWR and COGWR.Tests showed that the performance of SSLGWR was better than that of GWR and COGWR. Semi-supervised learning can use unlabeled data to improve the performance of geo-weighted regression model, especially when the number of labeled samples is small.
【作者單位】： 遼寧工程技術(shù)大學(xué)測繪與地理科學(xué)學(xué)院;中國測繪科學(xué)研究院政府地理信息系統(tǒng)研究中心;
【基金】：測繪地理信息公益性行業(yè)科研專項(201512032) 國家重點研發(fā)計劃(2016YFC0803101)~~
【分類號】：P208
【正文快照】： 空間分析能很好地反映地理要素的局部空間特征,準(zhǔn)確地探索自然地理要素和社會人文要素空間特征的變化情況[1-3]。地理加權(quán)回歸(geographically weighted regression,GWR)是一種有效探測空間非平穩(wěn)特征的分析方法。它的思路是:將空間位置屬性嵌入到回歸系數(shù)中[4-5],建立因變量

【相似文獻】

相關(guān)期刊論文 前10條

1 艾福利;龐西磊;湯慶園;趙晗萍;;基于地理加權(quán)回歸模型的浙江省臺風(fēng)經(jīng)濟損失影響因子分布規(guī)律研究[J];北京師范大學(xué)學(xué)報(自然科學(xué)版);2013年01期

2 玄海燕;黎鎖平;劉樹群;;地理加權(quán)回歸模型及其擬合[J];甘肅科學(xué)學(xué)報;2007年01期

3 覃文忠;王建梅;劉妙龍;;混合地理加權(quán)回歸模型算法研究[J];武漢大學(xué)學(xué)報(信息科學(xué)版);2007年02期

4 吳玉鳴;李建霞;;基于地理加權(quán)回歸模型的省域工業(yè)全要素生產(chǎn)率分析[J];經(jīng)濟地理;2006年05期

5 姜磊;馬寅;;FDI對中國區(qū)域創(chuàng)新影響的空間差異性研究——基于地理加權(quán)回歸的實證[J];產(chǎn)經(jīng)評論;2013年04期

6 李一;孫林巖;馮泰文;;地理視角下中國生產(chǎn)性服務(wù)業(yè)發(fā)展影響因素研究[J];科技進步與對策;2014年02期

7 顧鳳岐;趙倩;;林木生長關(guān)系的GWR模型[J];東北林業(yè)大學(xué)學(xué)報;2012年06期

8 玄海燕;李帥峰;;時空地理加權(quán)回歸模型及其擬合[J];甘肅科學(xué)學(xué)報;2011年04期

9 嚴(yán)小兵;;中國省域犯罪率影響因素的空間非平穩(wěn)性分析[J];地理科學(xué)進展;2013年07期

10 蘇方林;;省域R&D知識溢出的GWR實證分析[J];數(shù)量經(jīng)濟技術(shù)經(jīng)濟研究;2007年02期

相關(guān)博士學(xué)位論文 前2條

1 楊毅;顧及時空非平穩(wěn)性的地理加權(quán)回歸方法研究[D];武漢大學(xué);2016年

2 覃文忠;地理加權(quán)回歸基本理論與應(yīng)用研究[D];同濟大學(xué);2007年

相關(guān)碩士學(xué)位論文 前3條

1 王坤;重慶市軌道交通3號線對沿線住宅地價的影響研究[D];重慶大學(xué);2016年

2 齊飛;混合地理加權(quán)回歸模型的統(tǒng)計推斷[D];中央民族大學(xué);2010年

3 鄧寶珠;中國區(qū)域房價增長收斂的空間經(jīng)濟計量研究[D];華南理工大學(xué);2014年

，

本文編號：1470502