針對傳統(tǒng)決策樹分類算法需要依靠人工構造特征才能實現(xiàn)對數(shù)據(jù)進行分類的問題,以及其在處理海量天文數(shù)據(jù)時所面臨的處理速度和資源分配瓶頸問題,結合深度學習強大的特征學習能力和Spark高效的數(shù)據(jù)處理性能,提出了一種基于Spark平臺的深度感知決策樹并行化算法,并將其應用于天文恒星/星系分類問題中。研究結果表明,該算法具有很好的可伸縮性,可以通過增加Spark集群計算節(jié)點的數(shù)量,來減少分類模型所需的訓練時間和增強其對海量天文數(shù)據(jù)的處理能力。并且,其因同時具備強大的特征學習和分類能力而在恒星星系分類問題上可以獲得比傳統(tǒng)決策樹更高的分類準確率。

【文章頁數(shù)】：5 頁

【文章目錄】：
0 引言
1 深度感知決策樹
2 樹模型的后向傳播學習
    2.1 決策節(jié)點的學習
    2.2 預測節(jié)點的學習
3 基于Spark的深度感知決策樹實現(xiàn)
4 實驗測試
5 結束語



本文編號：3795071