劃分分類模型中主動學(xué)習(xí)關(guān)鍵技術(shù)研究.pdf

1、在機(jī)器學(xué)習(xí)中，主動學(xué)習(xí)可以避免分類模型被動地接受樣本信息，有選擇地從未標(biāo)注樣本集中選取信息量最大的樣本進(jìn)行專家標(biāo)注，然后通過對較少的大信息量樣本進(jìn)行學(xué)習(xí)，得到代價小、性能高的分類器。隨著獲得的未標(biāo)注樣本數(shù)據(jù)越來越多，人工標(biāo)注的代價較高并且難度較大，因此，需要對選擇標(biāo)注的樣本數(shù)量嚴(yán)格控制。本文針對主動學(xué)習(xí)采樣過程中存在的問題，在借鑒國內(nèi)外最新思路的基礎(chǔ)上，研究改進(jìn)了一些主動學(xué)習(xí)和樣本選擇算法。
　　首先，在充分考慮樣本不確定性置信度

2、模型和樣本代表性置信度模型的基礎(chǔ)之上，討論了基于樣本不確定性和代表性相結(jié)合的可控主動學(xué)習(xí)算法，通過設(shè)置合適的分類正確率變化參數(shù)，實(shí)現(xiàn)主動學(xué)習(xí)選擇樣本數(shù)量的可調(diào)控制。
　　其次，在基于原型的主動學(xué)習(xí)基礎(chǔ)上，為解決樣本不確定性置信度模型和樣本代表性置信度模型在結(jié)合方式上缺乏適應(yīng)性的問題，引入偏倚賴權(quán)值系數(shù)函數(shù)，研究了基于不同樣本屬性綜合的魯棒偏倚賴主動學(xué)習(xí)算法。該算法利用偏倚賴權(quán)值系數(shù)函數(shù)充分挖掘不同樣本屬性，突出樣本特性，解決針對不