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),請進行舉報或認領(lǐng)
文檔簡介
1、總體錯誤率(TER)在處理多類分類問題中采用傳統(tǒng)的一對余的學(xué)習(xí)方法,導(dǎo)致在訓(xùn)練過程中因多次計算而浪費不必要的時間;同時也可能對數(shù)據(jù)一類對多類的劃分產(chǎn)生不平衡的數(shù)據(jù)集從而對實驗精度產(chǎn)生影響。因此本文提出了專門針對多類分類問題的新算法:多類分類總體錯誤率(MTER)。多類分類總體錯誤率以極端學(xué)習(xí)機的一致逼近性為基礎(chǔ),對多類分類問題的總體錯誤率進行了改進:用一種統(tǒng)一的最優(yōu)化模型分別計算多類分類樣本中每一類的總體錯誤率,既可以避免多次計算中不必
2、要的計算步驟從而節(jié)約時間,同時把各個類別的數(shù)據(jù)集統(tǒng)一劃分,分別計算而不是一類對多類的不平衡數(shù)據(jù)從而避免產(chǎn)生不平衡的數(shù)據(jù),具有很好的優(yōu)越性。實驗結(jié)果證明了多類分類總體錯誤率(MTER)算法的優(yōu)越性。
孿生參數(shù)間隔支持向量機(TPMSVM)在模型運算過程中需要對二次規(guī)劃模型進行計算,比較復(fù)雜耗時。針對這一缺點,本文提出了孿生參數(shù)間隔極端支持向量機(TPMESVM)。TPMESVM利用極端學(xué)習(xí)機的一致逼近性的優(yōu)點,運用到分類問題的最
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
- 極端學(xué)習(xí)機的有效計算.pdf
- 基于極端學(xué)習(xí)機的分類方法研究.pdf
- 降低壓瘡風(fēng)險評估錯誤率
- 圖像目標識別的集成極端學(xué)習(xí)機研究.pdf
- 基于SET傳播特性的軟錯誤率研究.pdf
- 小學(xué)數(shù)學(xué)錯誤率較高的典型錯題匯總
- 小學(xué)數(shù)學(xué)錯誤率較高的典型錯題匯總
- 基于ARPSO算法優(yōu)化的集成極端學(xué)習(xí)機的研究與應(yīng)用.pdf
- 基于極端學(xué)習(xí)機的短期風(fēng)電功率預(yù)測研究.pdf
- 基于極端學(xué)習(xí)機的混凝土抗壓強度預(yù)測研究.pdf
- 基于粒子群優(yōu)化的極端學(xué)習(xí)機的研究及其應(yīng)用.pdf
- mba論文邏輯電路軟錯誤率分析評估pdf
- 基于成員相似性的集成極端學(xué)習(xí)機及其應(yīng)用.pdf
- 多重假設(shè)檢驗中錯誤率控制過程的分析.pdf
- 基于貝葉斯分類錯誤率的姿態(tài)估計研究.pdf
- 基于粒子群優(yōu)化的構(gòu)造性極端學(xué)習(xí)機的研究.pdf
- 第2章 考試、周周練錯誤率高地問題
- 基于成員分類器選擇優(yōu)化的集成極端學(xué)習(xí)機的研究.pdf
- 基于Bayes錯誤率上界最小的特征選擇算法的研究.pdf
- 納米數(shù)字電路軟錯誤率分析關(guān)鍵技術(shù)研究.pdf
評論
0/150
提交評論