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81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),請進行舉報或認(rèn)領(lǐng)

文檔簡介

1、近幾年以來,隨著現(xiàn)代科學(xué)技術(shù)的飛速發(fā)展,數(shù)據(jù)量呈現(xiàn)一種爆炸式增長。而伴隨數(shù)據(jù)量增長的同時,數(shù)據(jù)中包含的不相關(guān)和冗余信息也增多,給已有的機器學(xué)習(xí)算法帶來了嚴(yán)峻的挑戰(zhàn)。因此,迫切需要適應(yīng)海量數(shù)據(jù)的準(zhǔn)確性和運算效率等綜合性能較好的特征選擇方法。為此,本文對高維數(shù)據(jù)的特征選擇展開了進一步的研究。
  首先,針對現(xiàn)有特征選擇方法中基于不同的類間散度和類內(nèi)散度的特征權(quán)重度量方法的缺陷,我們提出一種新的度量特征權(quán)重的函數(shù),這種度量具有一定的泛化

2、特征。并進一步討論該形式與其它基于類間散度和類內(nèi)散度準(zhǔn)則的特征權(quán)重度量的關(guān)系。
  其次,針對現(xiàn)有特征選擇方法中相關(guān)性和冗余度評價方法缺乏多樣化以及最佳特征個數(shù)難以確定的問題,本文提出基于最大平均權(quán)重最小平均冗余準(zhǔn)則的特征選擇方法(MAWMAR方法)。一方面,在特征權(quán)重計算過程中采用一般化的特征權(quán)重評價函數(shù),使得特征選擇過程中不僅便于理解和分析,同時適用于處理半監(jiān)督和有監(jiān)督的問題。另一方面,通過建立最大化特征相關(guān)性和最小化特征間冗

3、余信息的分式規(guī)劃模型,該方法不僅有效地權(quán)衡了特征相關(guān)性和冗余性這兩個相互沖突的目標(biāo),同時實現(xiàn)了最優(yōu)特征個數(shù)的選擇。實驗結(jié)果表明MAWMAR比其它特征選擇方法得到了更小更優(yōu)的特征子集。
  再次,針對基于最大平均權(quán)重最小平均冗余準(zhǔn)則的特征選擇方法容易受特征個數(shù)的影響,本文提出基于最大總權(quán)重最小冗余準(zhǔn)則的特征選擇方法(MaToWMiR方法),該方法綜合考慮了特征相關(guān)性和特征間冗余性進行無關(guān)冗余特征的剔除。MaToWMiR不僅保持了使用

4、一般化的特征權(quán)重度量的優(yōu)點,同時降低了特征個數(shù)對特征選擇的影響。實驗結(jié)果表明MaToWMiR有效地去除了無關(guān)冗余特征,降維的同時提高了分類精度。
  最后,為了考察MAWMAR和MaToWMiR的應(yīng)用范圍,對兩種方法下的模型做了對比分析。首先,利用分支定界法求解MAWMAR和MaToWMiR方法下的模型,通過比較分類準(zhǔn)確率和選擇出的特征個數(shù),說明了兩種方法在不同的數(shù)據(jù)集上具有各自的優(yōu)勢,同時分析了影響上述結(jié)果的主要原因。其次,針對

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(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。

最新文檔

評論

0/150

提交評論