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77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),請進行舉報或認領(lǐng)

文檔簡介

1、集成學習利用多個學習器來解決問題,可以有效提高學習系統(tǒng)的泛化能力,成為近年來機器學習領(lǐng)域一個重要的研究方向,并被國際權(quán)威T.G.Dietterich稱為當前機器學習四大研究方向之首。作為一種新的機器學習范式,集成學習以其良好的性能和廣泛的適用性,在行星探測、地震波分析、Web信息過濾、生物特征識別、計算機輔助醫(yī)療診斷等眾多領(lǐng)域得到了廣泛的應用。以往集成學習的研究主要集中在監(jiān)督學習上,這種學習方式需要大數(shù)據(jù)量的有標記訓練樣本。但是在某些實

2、際的訓練過程中,大數(shù)據(jù)量的有標記樣本往往難以獲得。而對于小數(shù)據(jù)量的有標記訓練樣本,集成學習的效果往往又不理想。因此,針對小數(shù)據(jù)量的有標記樣本問題,如何提高集成學習的性能仍然是一個值得研究的問題。 針對訓練過程中存在大量未標記樣本的情況,本文結(jié)合半監(jiān)督學習和選擇性集成學習的思想,提出了一種基于半監(jiān)督回歸的選擇性集成算法SSRES。一方面,充分利用大量廉價的未標記樣本來輔助有標記樣本的學習,另一方面,使用選擇性集成學習進一步提高學習

3、系統(tǒng)的泛化能力。本文主要對基于半監(jiān)督回歸的選擇性集成學習進行了相關(guān)研究,主要研究工作包括: (1)在對當前集成學習方法進行深入分析的基礎(chǔ)上,基于Weka實驗平臺,利用Weka數(shù)據(jù)集對Boosting和Bagging算法的有效性進行了驗證,從而也進一步驗證了集成學習的有效性。 (2)在對選擇性集成學習和半監(jiān)督學習進行深入研究的基礎(chǔ)上,基于Eclipse+Weka開發(fā)平臺,實現(xiàn)了選擇性集成算法GRES和半監(jiān)督回歸算法CORE

4、G,并利用Weka數(shù)據(jù)集和人造數(shù)據(jù)集對算法的有效性進行了驗證。 (3)基于以上研究,針對小數(shù)據(jù)量的有標記樣本問題,提出了一種基于半監(jiān)督回歸的選擇性集成算法SSRES?;贓clipse+Weka開發(fā)平臺,實現(xiàn)了SSRES算法,并利用Weka數(shù)據(jù)集和人造數(shù)據(jù)集對SSRES算法性能進行了分析。實驗結(jié)果表明,SSRES算法能夠利用未標記樣本和選擇性集成技術(shù)提高學習器的性能。 (4)在實際應用方面,針對混凝土行業(yè)配合比數(shù)據(jù)中未試

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)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 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。
  • 6. 下載文件中如有侵權(quán)或不適當內(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。

評論

0/150

提交評論