基于不確定性樣例選擇算法的研究與改進.pdf

1、很多數(shù)據(jù)集中含有冗余數(shù)據(jù)、噪聲數(shù)據(jù)，以及不完備數(shù)據(jù)。這些數(shù)據(jù)不僅占據(jù)了很大的存儲空間，而且對學(xué)習(xí)器完全無用甚至有害。因此，我們希望能夠從一個數(shù)據(jù)集中選取少量有用的數(shù)據(jù)使之壓縮成一個比較小的數(shù)據(jù)集，目的是在不降低學(xué)習(xí)器性能的前提下，減少存儲空間。這就是樣例選擇所處理的問題。根據(jù)處理的對象不同，樣例選擇大致可以分成兩大類：數(shù)據(jù)過濾算法和主動學(xué)習(xí)算法。數(shù)據(jù)過濾算法主要用于去除冗余數(shù)據(jù)和噪聲數(shù)據(jù)，而主動學(xué)習(xí)算法主要用于處理不完備數(shù)據(jù)，即如何從無

2、類標(biāo)的數(shù)據(jù)中選擇有價值的數(shù)據(jù)，這也是本課題處理的重點問題。
　　 本論文研究了基于模糊決策樹的最大不確定性樣例選擇策略，并對該策略進行了改進?；诓淮_定性最大的樣例選擇策略傾向于選取孤立點和異常點，而忽略分布密集區(qū)域的樣例，因此文章引入了樣例影響度作為樣例選擇的一個指標(biāo)。通過選取影響度較大的樣例，即位于樣例分布密集區(qū)域的樣例來盡量避免孤立點的選擇。隨后文章提出了新的樣例選擇標(biāo)準(zhǔn)：選擇影響度和不確定性乘積最大的樣例。通過對這種樣例