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61頁未讀, 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)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(quán),請進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡介

1、移動互聯(lián)網(wǎng)的飛速發(fā)展迎來了數(shù)據(jù)爆炸的時(shí)代,搜索服務(wù)提供商也因此積累了多樣的海量用戶搜索行為數(shù)據(jù),這些數(shù)據(jù)是時(shí)下社會熱點(diǎn)的間接反饋,與宏觀指標(biāo)的定義不謀而合。因此,研究一種基于搜索數(shù)據(jù)的宏觀指標(biāo)分析方法成為可能,而且具有重要的科研和實(shí)際價(jià)值。
  Google公司的GFT(Google Flu Trends)模型利用Google搜索數(shù)據(jù)對世界范圍內(nèi)的流感預(yù)測做出的重要貢獻(xiàn),印證了搜索行為數(shù)據(jù)巨大的潛在價(jià)值。百度作為國內(nèi)最大的搜索服務(wù)

2、提供商,記錄著豐富的用戶搜索行為數(shù)據(jù),利用這些數(shù)據(jù),本文提出BS-MIP(Macro Index Predication based on Baidu Searches)模型,對宏觀指標(biāo)進(jìn)行全程自動化地預(yù)測分析,同時(shí)規(guī)避了(類)GFT模型對專業(yè)領(lǐng)域知識的強(qiáng)依賴約束。在早期的預(yù)測模型中,為避免因漏掉重要特征導(dǎo)致模型失準(zhǔn),通常會選擇把可能相關(guān)的特征全部引入到模型,但由此引入的特征冗余風(fēng)險(xiǎn),可能導(dǎo)致模型失效。本文提出以GA-Lasso(Gen

3、etic& Adaptive Lasso)方法為核心的特征選擇模塊,將傳統(tǒng)的特征選擇方法與人工智能的思想相結(jié)合,提供了解決高維小樣本問題和過擬合問題的實(shí)用方案。連續(xù)數(shù)值的離散化處理是數(shù)據(jù)預(yù)處理中的重要環(huán)節(jié),不僅能夠簡化后續(xù)學(xué)習(xí)過程,提升學(xué)習(xí)效率。然而,無監(jiān)督情境中的離散化問題,因缺少類標(biāo)簽信息的輔助,成為離散化處理中亟待解決的難題。本文結(jié)合聚類思想和集成學(xué)習(xí)的思想,提出了以KED(Kmeans based EnsemblingDiscr

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(quán)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(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)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(hù)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(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)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(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)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。

最新文檔

評論

0/150

提交評論