本文關(guān)鍵詞：改進(jìn)的樣本選擇對(duì)分類算法影響的研究，由筆耕文化傳播整理發(fā)布。

【摘要】：機(jī)器學(xué)習(xí)是關(guān)于機(jī)器理解行為以及機(jī)器具有學(xué)習(xí)能力的機(jī)制,能夠建立自主學(xué)習(xí)功能的計(jì)算機(jī)程序的學(xué)科。近年來機(jī)器學(xué)習(xí)理論在諸多應(yīng)用領(lǐng)域得到成功的應(yīng)用和發(fā)展,已成為計(jì)算機(jī)科學(xué)的基礎(chǔ)及熱點(diǎn)之一。機(jī)器學(xué)習(xí)已經(jīng)有了十分廣泛的應(yīng)用如搜索引擎,市場(chǎng)營(yíng)銷,網(wǎng)絡(luò)流量監(jiān)測(cè),證券市場(chǎng),語音識(shí)別等。凡是在有經(jīng)驗(yàn)存在的地方,機(jī)器學(xué)習(xí)方法都在其中扮演很重要的角色。監(jiān)督學(xué)習(xí)是指利用一組已知類別的樣本調(diào)整分類器的參數(shù),使其達(dá)到所要求性能的過程。監(jiān)督學(xué)習(xí)主要需要注意的問題有偏置方差權(quán)衡,功能的復(fù)雜性和數(shù)量的訓(xùn)練數(shù)據(jù),輸入空間的維數(shù),噪聲中的輸出值等。本論文中主要驗(yàn)證的監(jiān)督學(xué)習(xí)包括神經(jīng)網(wǎng)絡(luò)、決策樹算法等。特征選擇和樣本選擇主要用于解決學(xué)習(xí)過程中的樣本維數(shù)過高或者樣本數(shù)量過大的問題。特征選擇能剔除不需要或冗余的特征,從而達(dá)到減少特征個(gè)數(shù),提高模型精確度,減少運(yùn)行時(shí)間的目。而樣本選擇如果能夠在減少學(xué)習(xí)樣本的基礎(chǔ)上對(duì)原有的指標(biāo)并沒有影響,則必然十分有益的,除此之外,樣本選擇如果能夠推薦給分類器更好的樣本,必然也能夠得到十分優(yōu)秀的分類器。本文首先介紹樣本選擇的相關(guān)知識(shí),引出樣本選擇的主要工作流程,對(duì)其不同的方法進(jìn)行區(qū)別分類,對(duì)于不同的方法和類別進(jìn)行分析,引出本論文提出的樣本選擇方法的思想。因?yàn)闃颖具x擇架構(gòu)在分類器之前,所以本文首先大體介紹主流的分類模型,之后再詳細(xì)推論本文需要實(shí)驗(yàn)的兩個(gè)主要模型,分別是神經(jīng)網(wǎng)絡(luò)和決策樹,并探討樣本選擇方法應(yīng)該用什么樣的方式與分類器相結(jié)合。本文使用啟發(fā)式算法的思想對(duì)樣本選擇方法進(jìn)行設(shè)計(jì),先論證了這一思想的正確性,并最終選用模擬退火的方式作為啟發(fā)式算法的核心。提出一種基于啟發(fā)式算法改進(jìn)的樣本選擇方法,用來改進(jìn)神經(jīng)網(wǎng)絡(luò)和決策樹算法,在對(duì)改進(jìn)算法進(jìn)行大量的實(shí)驗(yàn)之后,對(duì)實(shí)驗(yàn)進(jìn)行對(duì)比,總結(jié)出算法的優(yōu)劣勢(shì)何在,最終探討改進(jìn)算法的展望以及實(shí)際應(yīng)用。
【關(guān)鍵詞】：機(jī)器學(xué)習(xí) 監(jiān)督學(xué)習(xí) 樣本選擇 神經(jīng)網(wǎng)絡(luò) 決策樹
【學(xué)位授予單位】：安徽大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2015
【分類號(hào)】：TP181
【目錄】：

• 摘要3-4
• Abstract4-8
• 第一章 緒論8-12
• 1.1 論文研究的背景和意義8-9
• 1.2 論文研究的內(nèi)容和方法9-10
• 1.3 本論文組織結(jié)構(gòu)安排10-12
• 第二章 樣本選擇相關(guān)知識(shí)12-18
• 2.1 簡(jiǎn)單隨機(jī)抽樣12
• 2.2 分層抽樣12-13
• 2.3 密度偏差抽樣13
• 2.4 KNN13-14
• 2.5 遺傳算法結(jié)合神經(jīng)網(wǎng)絡(luò)的方式14-15
• 2.6 樣本選擇的評(píng)價(jià)15-16
• 2.7 樣本選擇方法歸納16-18
• 第三章 監(jiān)督學(xué)習(xí)介紹18-28
• 3.1 分類的基礎(chǔ)和算法分析18-21
• 3.1.1 決策樹算法18-19
• 3.1.2 KNN算法19
• 3.1.3 VSM算法19
• 3.1.4 貝葉斯法算法19-20
• 3.1.5 神經(jīng)網(wǎng)絡(luò)算法20
• 3.1.6 SVM算法20-21
• 3.2 神經(jīng)網(wǎng)絡(luò)算法21-25
• 3.2.1 神經(jīng)網(wǎng)絡(luò)基本原理21-22
• 3.2.2 激活函數(shù)22
• 3.2.3神經(jīng)網(wǎng)絡(luò)模型22-25
• 3.3決策樹25-28
• 3.3.1 ID3算法26-27
• 3.3.2 C4.5算法27-28
• 第四章 改進(jìn)的樣本選擇算法28-33
• 4.1 模擬退火算法28-29
• 4.2 樣本主動(dòng)學(xué)習(xí)介紹29-30
• 4.3 改進(jìn)的樣本選擇算法30-32
• 4.4 算法的優(yōu)缺點(diǎn)32
• 4.5 算法的前景32-33
• 第五章 實(shí)驗(yàn)33-44
• 5.1 實(shí)驗(yàn)平臺(tái)33
• 5.2 實(shí)驗(yàn)數(shù)據(jù)33-36
• 5.2.1 鮑魚年齡數(shù)據(jù)33-34
• 5.2.2 成年收入數(shù)據(jù)集34-36
• 5.3 實(shí)驗(yàn)結(jié)果36-43
• 5.3.1 模擬退火算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)36-40
• 5.3.2 模擬退火算法改進(jìn)的決策樹實(shí)驗(yàn)40-43
• 5.4 實(shí)驗(yàn)分析43-44
• 第六章 總結(jié)與展望44-46
• 6.1 總結(jié)44
• 6.2 存在的問題以及展望44-46
• 致謝46-47
• 參考文獻(xiàn)47-50

【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫 前6條

1 車凱;郭茂祖;劉曉燕;滕志霞;;植物抗性基因識(shí)別中樣本選擇的一種新方法[J];智能計(jì)算機(jī)與應(yīng)用;2012年04期

2 劉濤;馬紅光;張永;劉振華;;改進(jìn)的機(jī)載非正側(cè)視陣STAP樣本選擇策略[J];現(xiàn)代雷達(dá);2012年03期

3 彭現(xiàn)美;王有剛;;住戶調(diào)查樣本選擇及數(shù)據(jù)誤差問題探討[J];統(tǒng)計(jì)與決策;2012年03期

4 姜文瀚;周曉飛;楊靜宇;;核子類凸包樣本選擇方法及其SVM應(yīng)用[J];計(jì)算機(jī)工程;2008年16期

5 楊宏暉;王蕓;戴健;;水下目標(biāo)識(shí)別中樣本選擇與SVME融合算法[J];西北工業(yè)大學(xué)學(xué)報(bào);2014年03期

6 ;[J];;年期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 姜文瀚;模式識(shí)別中的樣本選擇研究及其應(yīng)用[D];南京理工大學(xué);2008年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫 前4條

1 陳美姣;樣本選擇問題的統(tǒng)計(jì)處理研究[D];浙江工商大學(xué);2013年

2 儲(chǔ)曉琛;改進(jìn)的樣本選擇對(duì)分類算法影響的研究[D];安徽大學(xué);2015年

3 程霄;非參數(shù)模型樣本選擇方法研究及其在風(fēng)電機(jī)組狀態(tài)監(jiān)測(cè)中的應(yīng)用[D];華北電力大學(xué);2014年

4 張磊;樣本選擇模型及其在醫(yī)療費(fèi)用研究中的應(yīng)用[D];山西醫(yī)科大學(xué);2007年

  本文關(guān)鍵詞：改進(jìn)的樣本選擇對(duì)分類算法影響的研究，由筆耕文化傳播整理發(fā)布。

，

本文編號(hào)：331665