分類模型的不匹配問題及其解決方法.pdf

1、隨著計(jì)算機(jī)軟硬件技術(shù)的不斷發(fā)展，大量的數(shù)據(jù)得以收集。與此同時(shí)，原有的數(shù)據(jù)處理及分析技術(shù)面臨著越來越多的挑戰(zhàn)。分類是機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的一項(xiàng)基本任務(wù)，如何構(gòu)建泛化能力更強(qiáng)的分類器一直是計(jì)算機(jī)領(lǐng)域的熱點(diǎn)問題。
　　大多數(shù)分類技術(shù)都是基于一定的假設(shè)建立模型的。當(dāng)數(shù)據(jù)匹配模型時(shí)，分類效果會很好；而當(dāng)不匹配時(shí)，分類的效果往往會很差。如何解決分類模型的不匹配問題是本文的核心議題。概括來講，本文的主要工作包括以下幾個(gè)方面：
　　1)介紹了

2、一種新的解決復(fù)雜、高維數(shù)據(jù)的基于聚類的分類方法（Decision Cluster Classifier，DCC），通過分析指出其在特征異構(gòu)時(shí)會導(dǎo)致模型不匹配的問題，并提出了一種新的基于路徑的分類策略PDCC以解決DCC的模型不匹配問題。
　　2)提出了一種新的決策樹構(gòu)建方法以用來集成隨機(jī)森林。一般來講，決策樹容易產(chǎn)生過擬合現(xiàn)象，這也是一種比較特殊的模型不匹配問題。目前，用來解決這一問題的主要方法是通過集成多棵隨機(jī)決策樹的方式來構(gòu)建

3、集成分類器。但現(xiàn)有方法存在效率低下，差異性難以控制等問題。本文提出了一種新的基于專屬隨機(jī)決策樹的隨機(jī)森林算法，以有效解決多類數(shù)據(jù)中決策樹的模型不匹配問題。
　　3)提出了一種新的半監(jiān)督分類算法以解決聚類標(biāo)記(Cluster-and-Label）的模型不匹配問題。半監(jiān)督分類一般基于一定的假設(shè)運(yùn)行，其中聚類假設(shè)是一個(gè)最常用的假設(shè)。聚類標(biāo)記法可以簡單看作直接基于聚類假設(shè)運(yùn)行的一類半監(jiān)督學(xué)習(xí)技術(shù)，但它的性能受到聚類質(zhì)量的嚴(yán)重制約。本文則提