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86頁未讀, 繼續(xù)免費閱讀

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)行舉報或認(rèn)領(lǐng)

文檔簡介

1、集成學(xué)習(xí),又稱多分類器系統(tǒng),嘗試著訓(xùn)練多個不同的基分類器,通過協(xié)同合作來處理問題。作為機(jī)器學(xué)習(xí)的一個新的學(xué)習(xí)范式,集成學(xué)習(xí)的目的在于改善算法的泛化性能。然而,分類器的預(yù)測精度和泛化能力常常受到訓(xùn)練數(shù)據(jù)中標(biāo)簽噪聲樣本的影響。目前主要有兩種有效的處理訓(xùn)練集中標(biāo)簽噪聲的方法:一種是構(gòu)建對標(biāo)簽噪聲魯棒的學(xué)習(xí)算法框架,一種是檢測并清除數(shù)據(jù)集中的標(biāo)簽噪聲樣本。在本篇論文中,三個研究內(nèi)容,應(yīng)用集成學(xué)習(xí)方法,圍繞著上面兩種標(biāo)簽噪聲處理方法展開。

2、  論文的主要研究內(nèi)容內(nèi)如下:
 ?。?)提出了一種基于Condensed Nearest Neighbor和集成的魯棒學(xué)習(xí)方法框架。CNN方法作為一種基于實例選擇的方法,旨在構(gòu)建一個有效的訓(xùn)練子集,使其能代表整個訓(xùn)練集。算法利用Condensed Nearest Neighbors對標(biāo)簽噪聲的敏感特性和其樣本選擇的特性,有效地構(gòu)建噪聲比例相對較少的多個訓(xùn)練數(shù)據(jù)子集,通過訓(xùn)練子集的差異性和低標(biāo)簽噪聲率來訓(xùn)練得到魯棒和有效的基分類器

3、,最后對基分類器的學(xué)習(xí)結(jié)果進(jìn)行集成組合。實驗通過對比經(jīng)典Bagging、AdaBoost和隨機(jī)森林算法等集成學(xué)習(xí)方法,在處理不同噪聲樣本比例的數(shù)據(jù)集時,取得了更好的分類效果,展現(xiàn)了更強(qiáng)的標(biāo)簽噪聲魯棒性。
  (2)基于隨機(jī)森林和數(shù)據(jù)集分塊的集成去噪算法中,首先,利用隨機(jī)森林方法對Majority Filtering算法做出了改進(jìn),以期訓(xùn)練得到的基分類器具有很好的噪聲容忍特性。然后,算法進(jìn)行多次隨機(jī)的數(shù)據(jù)集分塊,通過隨機(jī)森林改進(jìn)后的

4、Majority Filtering算法檢測出多個疑似標(biāo)簽噪聲樣本集,最終經(jīng)過多數(shù)投票,決定出訓(xùn)練集中的標(biāo)簽噪聲樣本并進(jìn)行剔除。實驗表明,提出的算法可以檢測出更多的標(biāo)簽噪聲樣本,較少地剔除標(biāo)記正確的樣本,證實了算法的有效性。
 ?。?)基于Majority Voting的改進(jìn)AdaBoost標(biāo)簽噪聲抑制算法中,針對AdaBoost算法對于噪聲樣本的敏感性,即噪聲樣本的權(quán)重會隨著算法迭代次數(shù)的增加而增加,進(jìn)而影響到樣本子集的采樣選取

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。

評論

0/150

提交評論