很多學(xué)者用"全球恐怖主義研究數(shù)據(jù)庫"GTD數(shù)據(jù)集,采用博弈論、K近鄰法和支持向量機(jī)等分析恐怖事件的聚集性,已經(jīng)取得一些成果.但在前期研究中未有很好考慮數(shù)據(jù)的稀疏性以及高維度多冗余等會(huì)導(dǎo)致聚集分類準(zhǔn)確率不高的問題.本文提出一種基于最小冗余最大相關(guān)與因子分解機(jī)結(jié)合的TFM分類模型,使用增量搜索方法尋找近似最優(yōu)的特征解決高維度多冗余問題和FM方法解決數(shù)據(jù)稀疏問題,并對(duì)預(yù)處理后的恐怖襲擊事件數(shù)據(jù)用TFM模型做量化分類.文中使用樸素貝葉斯NB、支持向量機(jī)SVM、邏輯回歸LR與TFM等4個(gè)模型的"馬修斯相關(guān)系數(shù)"MCC進(jìn)行比較,結(jié)果顯示TFM的MCC相對(duì)于其他三個(gè)模型NB、SVM、LR分別提高了49.9%,2.5%,2.3%,可見TFM模型有一定可行性. 

【文章來源】：四川大學(xué)學(xué)報(bào)(自然科學(xué)版). 2020,57(01)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

mRMR選取特征子集對(duì)應(yīng)的分類損失值

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)的mRmR特征選擇方法在人體行為識(shí)別中的應(yīng)用[J]. 王華華,黃龍,周遠(yuǎn)文,趙永寬.  重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[2]因子分解機(jī)模型的寬度和深度擴(kuò)展研究[J]. 燕彩蓉,周靈杰,張青龍,李曉林.  軟件學(xué)報(bào). 2019(03)
[3]基于區(qū)域標(biāo)記法的代價(jià)敏感支持向量機(jī)在股票預(yù)測中的研究[J]. 秦璐,李旭偉.  四川大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(02)
[4]基于互信息和隨機(jī)森林的混合變量選擇算法[J]. 趙偉衛(wèi),李艷穎,趙風(fēng)芹,魏灑灑.  吉林大學(xué)學(xué)報(bào)(理學(xué)版). 2017(04)
[5]機(jī)器學(xué)習(xí)與沖突預(yù)測——國際關(guān)系研究的一個(gè)跨學(xué)科視角[J]. 董青嶺.  世界經(jīng)濟(jì)與政治. 2017(07)
[6]分類器性能評(píng)價(jià)標(biāo)準(zhǔn)研究[J]. 秦鋒,楊波,程澤凱.  計(jì)算機(jī)技術(shù)與發(fā)展. 2006(10)



本文編號(hào)：3045041