發(fā)布時(shí)間：2019-02-23 13:17

【摘要】：隨著科技的發(fā)展,不少學(xué)者已經(jīng)提出了許多方法來應(yīng)對(duì)越來越具有挑戰(zhàn)性的多輸出回歸任務(wù)。在高維數(shù)據(jù)的回歸任務(wù)中,多輸出回歸算法利用數(shù)據(jù)的多個(gè)特征值來預(yù)測(cè)多個(gè)輸出值,能獲得較好的效果。實(shí)際應(yīng)用中產(chǎn)生的數(shù)據(jù)往往具有很多的特征,比如生物醫(yī)學(xué)的基因數(shù)據(jù),計(jì)算機(jī)視覺中的圖像數(shù)據(jù),web網(wǎng)站中產(chǎn)生的日志或用戶瀏覽記錄的文本數(shù)據(jù)等。為了提高對(duì)這些高維數(shù)據(jù)的利用效率,并在回歸分析中能取得比較好的分類效果,因此需要對(duì)這些高維數(shù)據(jù)進(jìn)行特征選擇,降低這些高維數(shù)據(jù)的維度。許多研究者提出了低秩回歸模型,并在此基礎(chǔ)上進(jìn)行特征選擇和屬性約減。由于只是簡單的進(jìn)行處理,沒有對(duì)樣本進(jìn)行選擇(去除噪音數(shù)據(jù)和離群點(diǎn)數(shù)據(jù)對(duì)模型的干擾)。因此,為了能夠快速且穩(wěn)定地處理高維數(shù)據(jù)多輸出回歸問題,本文提出了一種超圖低秩屬性選擇多輸出回歸算法。具體地,首先,本文在基本線性回歸基礎(chǔ)上應(yīng)用l2,p范數(shù)進(jìn)行樣本選擇,去除噪音和離群點(diǎn)樣本,使得學(xué)習(xí)得到的模型具有更準(zhǔn)確的預(yù)測(cè)能力。接著,通過回歸系數(shù)矩陣來進(jìn)行特征選擇,從而得到新的特征樣本數(shù)據(jù)集。然后,使用10-折交叉驗(yàn)證進(jìn)行模型訓(xùn)練,從而學(xué)習(xí)最終回歸模型。模型中學(xué)習(xí)得到的回歸系數(shù)矩陣可以選擇出重要的特征,而低秩回歸可以輸出各變量之間緊密的關(guān)聯(lián)結(jié)構(gòu)。最后,在模型中嵌入超圖,通過超圖來保留各數(shù)據(jù)之間的局部相關(guān)性結(jié)構(gòu),使得模型更具有穩(wěn)定性。實(shí)驗(yàn)結(jié)果表明,該算法相比其它對(duì)比算法,能更有效地選取屬性,應(yīng)用于多輸出回歸任務(wù)中能取得很好的分類效果。
[Abstract]:With the development of science and technology, many scholars have proposed many methods to deal with the more and more challenging multi-output regression task. In the task of regression of high-dimensional data, multi-output regression algorithm uses multiple eigenvalues of data to predict multiple output values, which can obtain better results. The data produced in practical applications often have many characteristics, such as biomedical genetic data, image data in computer vision, logs produced in web websites or text data recorded by users. In order to improve the utilization efficiency of these high-dimensional data and obtain better classification results in regression analysis, it is necessary to select the features of these high-dimensional data and reduce the dimensions of these high-dimensional data. Many researchers have proposed a low rank regression model based on which feature selection and attribute reduction are carried out. Because of the simple processing, the sample is not selected (noise data and outlier data interference to the model). Therefore, in order to deal with the multi-output regression problem of high-dimensional data quickly and stably, this paper proposes a multi-output regression algorithm for hypergraph with low-rank attribute selection. Specifically, first of all, on the basis of basic linear regression, this paper uses L2, p norm to select samples to remove noise and outliers, so that the model obtained from learning has more accurate prediction ability. Then, the new feature sample data set is obtained by regression coefficient matrix. Then, the 10-fold cross-validation is used to train the model to learn the final regression model. The regression coefficient matrix obtained from the model can select the important characteristics, while the low rank regression can output the tight correlation structure among the variables. Finally, the hypergraph is embedded in the model, and the local correlation structure between the data is preserved by the hypergraph, which makes the model more stable. The experimental results show that the proposed algorithm can select attributes more effectively than other comparison algorithms, and can achieve good classification effect in multi-output regression task.
【學(xué)位授予單位】：廣西師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：O212.1

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王建方,閆桂英;超圖的圈結(jié)構(gòu)[J];科學(xué)通報(bào);2001年19期

2 林啟忠,房杰,劉娟,杜智華;兩類特殊超圖的分?jǐn)?shù)橫貫[J];新疆師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2005年03期

3 唐宇軒;;圈區(qū)間超圖相關(guān)性質(zhì)的討論[J];新疆師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2006年03期

4 劉木伙;柳柏濂;;嚴(yán)格(d)-連通無圈超圖的計(jì)數(shù)[J];數(shù)學(xué)學(xué)報(bào);2007年06期

5 范新愛;趙守娟;;r一致導(dǎo)出匹配可擴(kuò)張超圖及性質(zhì)[J];新鄉(xiāng)學(xué)院學(xué)報(bào)(自然科學(xué)版);2009年05期

6 石怡;王福;;有關(guān)交簇超圖的兩個(gè)結(jié)論[J];兵團(tuán)教育學(xué)院學(xué)報(bào);2009年05期

7 朱俊杰;;超圖的奇圈橫貫[J];成都大學(xué)學(xué)報(bào)(自然科學(xué)版);2010年02期

8 孫林;;完美圖在超圖上的推廣[J];新疆師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年01期

9 王福;石怡;杜智華;;一類超圖的橫貫[J];石河子大學(xué)學(xué)報(bào)(自然科學(xué)版);2011年03期

10 趙凌琪;馮偉;徐春雷;吉日木圖;;無圈超圖規(guī)模的進(jìn)一步研究[J];應(yīng)用數(shù)學(xué)學(xué)報(bào);2012年05期

相關(guān)重要報(bào)紙文章 前10條

1 本報(bào)駐東京記者 吳仲國;中國軟件在日本叫響知名品牌成市場寵兒[N];科技日?qǐng)?bào);2002年

2 證券時(shí)報(bào)記者 吳中珞;超圖軟件信披創(chuàng)新 微博釋疑股吧發(fā)帖詳解年報(bào)延期[N];證券時(shí)報(bào);2011年

3 本報(bào)記者 朱熹妍;地理信息火爆 超圖地理專注成器[N];經(jīng)濟(jì)觀察報(bào);2008年

4 記者 趙一蕙;超圖軟件業(yè)績快報(bào)“失準(zhǔn)”逾20%[N];上海證券報(bào);2013年

5 欒玲　趙培;超圖軟件：中國“智”造的跨國軟件企業(yè)[N];中國高新技術(shù)產(chǎn)業(yè)導(dǎo)報(bào);2010年

6 本報(bào)記者 解佳濤　戈清平;超圖軟件：做“中國智造”的跨國軟件企業(yè)[N];中國高新技術(shù)產(chǎn)業(yè)導(dǎo)報(bào);2010年

7 本報(bào)記者 梁爽;超圖：十年打造地理信息超級(jí)版圖[N];中國政府采購報(bào);2012年

8 徐洋;北京市委書記郭金龍視察超圖軟件公司[N];中國測(cè)繪報(bào);2012年

9 本報(bào)記者 鄭燃;超圖軟件：讓應(yīng)急事件避免盲人摸象[N];政府采購信息報(bào);2011年

10 江雪;鐘耳順鐘情GIS[N];中國企業(yè)報(bào);2007年

相關(guān)博士學(xué)位論文 前10條

1 古萬榮;基于超圖模型的新聞推薦研究[D];華南理工大學(xué);2015年

2 孫艷萍;3一致超圖的拉格朗日和最大團(tuán)之間的關(guān)系的研究[D];湖南大學(xué);2016年

3 彭豪;超圖的Motzkin-Straus型結(jié)果及Frankl-F(?)redi猜想[D];湖南大學(xué);2015年

4 岳俊杰;超圖H譜理論和稀疏低秩優(yōu)化算法研究[D];清華大學(xué);2016年

5 吳艷;3-一致超圖分解及相關(guān)問題[D];北京交通大學(xué);2010年

6 吳穎敏;市場機(jī)遇發(fā)現(xiàn)的超圖支持方法研究[D];華中科技大學(xué);2009年

7 葉淼林;圖與超圖理論中的譜方法[D];安徽大學(xué);2010年

8 吉日木圖;圖的標(biāo)號(hào)及超圖分解問題研究[D];大連理工大學(xué);2006年

9 王琦;網(wǎng)絡(luò)中的超圖嵌入問題[D];山東大學(xué);2007年

10 蔡p，

本文編號(hào)：2428868