2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩65頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、機器學習是人工智能的核心內(nèi)容之一,機器學習利用訓練數(shù)據(jù)發(fā)現(xiàn)隱含模式或者機制,機器學習應用在分類問題上可以利用發(fā)現(xiàn)的模式或者機制對未知數(shù)據(jù)進行分類。隨著人工智能領域的發(fā)展,機器學習方法已經(jīng)被廣泛的應用到各領域的預測建模中,形成了系統(tǒng)的分析方法和眾多的學習機模型。支持向量機(SVM)模型由于其具有非常好的模型稀疏性和堅實的理論基礎,使其在各個領域中的應用得到了人們的廣泛認可。
  SVM學習的關鍵在于距離度量模型的選擇,該模型決定了樣

2、本數(shù)據(jù)映射到的高維特征空間。在實際問題中核函數(shù)作為度量模型(例如高斯核函數(shù)等)在SVM中度量兩個實例之間的距離。但是,在選定高斯核函數(shù)作為度量方法來進行SVM學習后,確定核函數(shù)的參數(shù)σ(高斯徑向基函數(shù)的寬度)將成為一個關鍵問題,σ對分類器的性能影響很大。確定高斯核參數(shù)σ比較典型的方法有梯度下降法與交叉驗證法等。一個共性的問題是這些優(yōu)化方法的計算量復雜度較高,當樣本達到一定規(guī)模時無法應用。
  梯度下降法與交叉驗證法等都是關注于分析

3、核函數(shù)與訓練誤差之間的數(shù)學關系,這些方法將訓練誤差最小化作為參數(shù)選擇的優(yōu)化指標。在本文中我們將提出一種新穎的方法,即從核函數(shù)的性質(zhì)出發(fā)來選擇適當?shù)膬?yōu)化指標,用來指導核函數(shù)參數(shù)的確定。核函數(shù)的性質(zhì)是把低維空間的線性不可分數(shù)據(jù)映射到高維空間中,使之在高維空間上線性可分。核函數(shù)隱式的定義了一種非線性映射函數(shù)φ(x),我們希望樣本通過φ(x)映射到高維特征空間中能夠具有更好的可分性。這種可分性表現(xiàn)為同一類別的樣本實例之間的相似度較高,不同類別的

4、樣本實例之間的相似度較低。我們從幾何距離上來衡量樣本實例間的相似度:我們希望同一類別的樣本實例之間的幾何距離盡可能小,不同類別的樣本實例之間的幾何距離盡可能大。根據(jù)這一原則,我們定義了目標函數(shù),從而把參數(shù)σ的選擇問題轉(zhuǎn)化為目標函數(shù)的優(yōu)化問題。我們利用高斯函數(shù)的麥克勞林展開式使得目標函數(shù)轉(zhuǎn)化為二次函數(shù),從而簡單地實現(xiàn)了對σ的求解。
  實驗仿真結(jié)果表明:在分類正確率上,本文提出的方法和交叉驗證法相差不大;在訓練時間上,本文的方法要比

5、交叉驗證法小很多。在保證分類正確率的基礎上,本文的方法可以有效地降低高斯核SVM在參數(shù)選擇上的時耗,而且本文的方法只需要常數(shù)級的空間開銷。
  基于本文提出的參數(shù)選擇和高斯核SVM的分類方法,我們根據(jù)人體經(jīng)絡值對人體健康狀態(tài)進行預測建模。最終模型的AUC(the area under the curve)值達到了0.9416。綜合實驗結(jié)果,預測模型展示了較好的預測效果,可以根據(jù)人體經(jīng)絡能量值來對人體健康狀態(tài)進行預測。限于人體生理經(jīng)

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論