特征篩選和深度學習是機器學習的重要分支�，F(xiàn)如今各種結(jié)構(gòu)和不同規(guī)模的數(shù)據(jù)充斥我們生活的方方面面。我們希望有效地提取數(shù)據(jù)中的模式并且能夠建立高預(yù)測精度的可解釋模型。而識別重要的可解釋性特征的一項流行技術(shù)就是特征篩選。近來由于在各種機器學習任務(wù)中取得了巨大的成功,深度學習獲得了大量研究者的關(guān)注。深度學習的一個重要特點就是提取特征。通過挖掘數(shù)據(jù)集中的關(guān)系,可以更準確的找到特征;通過增加層數(shù)來增加網(wǎng)絡(luò)的復(fù)雜性,可以從數(shù)據(jù)中提取更高層次的特征,或者是與結(jié)構(gòu)關(guān)聯(lián)更少的特征,或者是更多與數(shù)據(jù)內(nèi)容相關(guān)的特征。本文的主要貢獻如下:（1）提出基于加強對偶多面體LASSO方法的配體分子海量特征篩選方法,大幅加速配體海量特征篩選過程,去除大部分無關(guān)的特征,使得后續(xù)學習僅需在小部分特征上進行,大幅提高了模型的學習效率。實驗結(jié)果驗證了我們算法的有效性。（2）提出了一種全新的基于加權(quán)深度學習和隨機森林的GPCR相關(guān)配體分子活性的預(yù)測算法WDL-RF,它包括基于新型加權(quán)深度學習的分子指紋生成階段和基于隨機森林模型的生物活性預(yù)測兩個階段。該方法的特點在于,它是一個端到端的預(yù)測學習框架。實驗結(jié)果顯示,在所有數(shù)據(jù)集及模型評價... 

【文章來源】：南京郵電大學江蘇省

【文章頁數(shù)】：58 頁

【學位級別】：碩士

【部分圖文】：

特征篩選過程

大學專業(yè)學位碩士研究生學位論文 第二章 深度學習及特征篩選相要接收上層中相鄰的幾個神經(jīng)元的輸出（或稱之為局部感受野）。此外，利用同測圖像的各個部分，這就使神經(jīng)網(wǎng)絡(luò)中的權(quán)重數(shù)量減少。這種策略也被稱為權(quán)積層之后通常是特征匯合操作，這增強了模型對特征變化的容忍度。匯合操作卷積層的輸出分割成小的集合，之后從每個集合中采樣一個值（取平均值或者最一層的輸入。利用局部感受野，第一個卷積層中的神經(jīng)元提取低層次的視覺特、點和角。隨后的其他卷積層將這些特征組合起來形成更高層次的特征。如圖是一個卷積神經(jīng)網(wǎng)絡(luò)的模型。

圖 2.3 AlexNet Alex 的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖此外，CNN 還有一個鮮明的特點，它將特征學習和分類或回歸模型學習融合在一起，省去大部分的預(yù)處理過程，直接從像素圖像中識別視覺實體。隨著近年來 CNN 的廣泛，人工特征逐漸在模式識別領(lǐng)域沒落。專家的領(lǐng)域知識對于設(shè)計視覺識別系統(tǒng)變得越來重要。與其他方法相比，CNN 在許多模式識別任務(wù)[33]-[35]上表現(xiàn)出優(yōu)越的性能。.2 特征篩選相關(guān)技術(shù)常見的特征篩選方法大致上可以分為三種：過濾式、包裹式、嵌入式。過濾式特征篩法是先對數(shù)據(jù)集進行特征篩選，然后在訓(xùn)練學習器，也就是說特征篩選過程與后續(xù)選擇習器無關(guān)。這也就是說先使用特征篩選對初始特征進行過濾，之后在使用過濾后的特征練學習器。與過濾式特征篩選不考慮后續(xù)學習器不同，包裹式特征篩選直接把最終將要的學習器的性能作為特征子集的評價標準[2]。也就是說，包裹式特征篩選的目的是為給定


本文編號：2950006