隨著互聯(lián)網(wǎng)技術(shù)的高速發(fā)展,來源于各行各業(yè)的數(shù)據(jù)正在以前所未有的速度增長,促使我們進入一個海量數(shù)據(jù)時代。面對海量數(shù)據(jù),傳統(tǒng)的數(shù)據(jù)挖掘技術(shù)在執(zhí)行效率上受到了嚴峻的挑戰(zhàn),因此探索快速有效的加速學(xué)習算法是極其重要的。目前,現(xiàn)有的加速學(xué)習算法研究主要是關(guān)注大規(guī)模數(shù)據(jù)分類問題,回歸與分類同等重要,但對于回歸問題的研究相對較少。為此,本文以劃分與抽樣為研究策略,針對傳統(tǒng)回歸分析算法執(zhí)行效率低的問題進行了系統(tǒng)性研究。主要工作概括如下:（1）利用分而治之思想提出了一種基于數(shù)據(jù)劃分的核嶺回歸加速算法。首先利用一簇平行超平面將當前數(shù)據(jù)所在的空間劃分為若干個互不相交的區(qū)域,然后在劃分后的每個區(qū)域上訓(xùn)練核嶺回歸模型,最后每個核嶺回歸模型預(yù)測落入同一區(qū)域內(nèi)的待識別實例。實驗結(jié)果表明,提出算法的執(zhí)行效率大幅度提升,為研究面向大規(guī)模數(shù)據(jù)的回歸加速算法提供了一個可行性方案。（2）針對回歸算法中核矩陣運算速度慢的問題,本文提出了一種基于兩階段抽樣的核矩陣近似算法。首先使用聚類算法將數(shù)據(jù)分塊,并采用抽樣的策略分別計算每塊數(shù)據(jù)核矩陣的低秩近似矩陣;然后基于標記信息構(gòu)造塊與塊之間相互貢獻的度量,進行二次抽樣,抽取部分非對角塊核... 

【文章來源】：山西大學(xué)山西省

【文章頁數(shù)】：54 頁

【學(xué)位級別】：碩士

【文章目錄】：
中文摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 基于數(shù)據(jù)劃分的回歸加速算法
        1.2.2 基于抽樣技術(shù)的回歸加速算法
        1.2.3 基于混合策略的回歸加速算法
    1.3 論文研究內(nèi)容及組織結(jié)構(gòu)
第二章 回歸分析及相關(guān)知識
    2.1 回歸分析
    2.2 矩陣秩近似
    2.3 核矩陣近似
    2.4 本章小結(jié)
第三章 基于數(shù)據(jù)劃分的核嶺回歸加速算法
    3.1 引言
    3.2 基于數(shù)據(jù)劃分的核嶺回歸加速算法
        3.2.1 數(shù)據(jù)劃分算法
        3.2.2 時間復(fù)雜度分析
    3.3 實驗分析
        3.3.1 實驗設(shè)置
        3.3.2 實驗結(jié)果
    3.4 本章小結(jié)
第四章 基于兩階段抽樣的核矩陣近似算法
    4.1 引言
    4.2 基于兩階段抽樣的核矩陣近似算法
        4.2.1 對角矩陣抽樣近似算法
        4.2.2 非對角矩陣抽樣近似算法
    4.3 實驗分析
        4.3.1 實驗設(shè)置
        4.3.2 實驗結(jié)果
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
攻讀學(xué)位期間取得的研究成果
致謝
個人簡況及聯(lián)系方式


【參考文獻】：
期刊論文
[1]低秩矩陣近似與優(yōu)化問題研究進展[J]. 張恒敏,楊健,鄭瑋.  模式識別與人工智能. 2018(01)
[2]大數(shù)據(jù)下的機器學(xué)習算法綜述[J]. 何清,李寧,羅文娟,史忠植.  模式識別與人工智能. 2014(04)
[3]數(shù)據(jù)集濃縮研究綜述[J]. 顧靜秋,吳華瑞,朱華吉.  計算機應(yīng)用與軟件. 2012(10)



本文編號：2952093