分類是機(jī)器學(xué)習(xí)最重要的任務(wù)之一。分類器的性能主要受結(jié)構(gòu)和參數(shù)權(quán)重的影響。其中,參數(shù)權(quán)重的優(yōu)化仍是一個(gè)難以求解的問題。為了增強(qiáng)分類算法的性能,許多參數(shù)權(quán)重的優(yōu)化算法被提出。傳統(tǒng)的優(yōu)化方法例如梯度下降,仍有易陷入局部最優(yōu)、收斂性差等不足。通常參數(shù)權(quán)重的優(yōu)化需要在實(shí)數(shù)范圍內(nèi)搜索最優(yōu)解,是一個(gè)計(jì)算復(fù)雜度非常高的問題�；诟怕仕阉鳈C(jī)制的智能優(yōu)化算法具有良好的尋優(yōu)性能,如差分進(jìn)化算法、粒子群優(yōu)化算法等,已經(jīng)成功用于該類問題的求解,然而該類問題仍未完全解決。作為一種新提出的智能優(yōu)化算法,基于雜種優(yōu)勢理論的雜交水稻算法具有尋優(yōu)速度快、搜索能力強(qiáng)的優(yōu)點(diǎn)。因此,本文嘗試將雜交水稻算法用于優(yōu)化機(jī)器學(xué)習(xí)分類算法中出現(xiàn)的權(quán)重優(yōu)化問題,以探索其在機(jī)器學(xué)習(xí)領(lǐng)域應(yīng)用的潛力,主要工作如下:1.利用雜交水稻算法優(yōu)化機(jī)器學(xué)習(xí)分類器的特征權(quán)重。本文提出了基于雜交水稻算法加權(quán)的K最近鄰分類器和基于雜交水稻加權(quán)的樸素貝葉斯分類器,并進(jìn)行了原始分類器和基于智能優(yōu)化算法改進(jìn)的分類器的對比實(shí)驗(yàn),結(jié)果表明通過雜交水稻算法雜交、自交的育種機(jī)制對K最近鄰算法和樸素貝葉斯算法的特征權(quán)重進(jìn)行尋優(yōu),訓(xùn)練出了性能更佳的分類器。2.將雜交水稻算法用于...

【文章頁數(shù)】：97 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖3.1部分遙感圖像：（a）居民地（b）林區(qū)（c）水域（d）田地

reastCancer”、“Sonar”、“Phishing”以及“ImageSegmentation”，每個(gè)特征數(shù)、實(shí)例數(shù)以及類別數(shù)見表3.1。遙感圖像數(shù)據(jù)集主要由四類圖像組為居民地、林區(qū)、水域以及田地，提取了22個(gè)特征，共684條數(shù)據(jù)。部據(jù)如圖3.1所示。為了提....

圖4.3KNN、NaiveBayes、SMO、J48、MLP、簡單投票和基于雜交水稻算法加權(quán)的分類器集成算法（HROWCE）在數(shù)據(jù)集“BreastCancer”上的實(shí)驗(yàn)結(jié)果對比圖

圖4.3KNN、NaiveBayes、SMO、J48、MLP、簡單投票和基于雜交水稻算法加權(quán)的分類器集成算法（HROWCE）在數(shù)據(jù)集“BreastCancer”上的實(shí)驗(yàn)結(jié)果對比圖

圖4.4KNN、NaiveBayes、SMO、J48、MLP、簡單投票和基于雜交水稻算法加權(quán)的分類器集成算法（HROWCE）在數(shù)據(jù)集“Sonar”上的實(shí)驗(yàn)結(jié)果對比圖

圖4.3KNN、NaiveBayes、SMO、J48、MLP、簡單投票和基于雜交水稻算法加權(quán)的分類器集成算法（HROWCE）在數(shù)據(jù)集“BreastCancer”上的實(shí)驗(yàn)結(jié)果對比圖

圖4.5KNN、NaiveBayes、SMO、J48、MLP、簡單投票和基于雜交水稻算法加權(quán)的分類器集成算法（HROWCE）在數(shù)據(jù)集“Phishing”上的實(shí)驗(yàn)結(jié)果對比圖

圖4.5KNN、NaiveBayes、SMO、J48、MLP、簡單投票和基于雜交水稻算法加權(quán)的分類器集成算法（HROWCE）在數(shù)據(jù)集“Phishing”上的實(shí)驗(yàn)結(jié)果對比圖

本文編號：3953751