检索结果-内蒙古大学图书馆

作者：许二戗江苏科技大学

学位级别：硕士

多标记学习考虑单个样例与多个类别标记相关联的情况,类别不平衡学习主要研究样本不均衡带给算法的影响,两者均是当前机器学习研究领域的热点。在多标记数据集中普遍存在类别不平衡现象,虽然目前已经提出了大量的多标记学习算法,但大多... 详细信息

多标记学习考虑单个样例与多个类别标记相关联的情况,类别不平衡学习主要研究样本不均衡带给算法的影响,两者均是当前机器学习研究领域的热点。在多标记数据集中普遍存在类别不平衡现象,虽然目前已经提出了大量的多标记学习算法,但大多聚焦在标记之间相互关系的挖掘,对于多标记数据集的内在不平衡特性却鲜有研究。针对上述问题,本文以传统类别不平衡处理技术中的阈值技术和代价敏感技术为出发点,在极限学习机模型的框架之下,对多标记中的类别不平衡问题展开研究。主要研究内容包括以下两个方面:1)极限学习机有着训练速度快,泛化性能好的优点,在回归、聚类、二类分类和多类分类等领域都有相关研究,但在多标记领域的研究相对较少,且未考虑到多标记数据中的类别不平衡现象。本文借鉴类别不平衡处理中的阈值技术,结合极限学习机框架,提出基于PSO粒子群优化的多标记阈值自适应极限学习机MLTA-ELM(PSO-based Multi-Label Threshold Adaptation Extreme Learning Machine)算法。在极限学习机实际输出矩阵的基础上,引入自适应阈值技术,将阈值选择问题转化为多变量最优化问题,并采用PSO粒子群优化算法寻求最优阈值组合。最后在12个常用多标记数据集上验证了MLTA-ELM算法的有效性,并从统计结果上进一步证明了MLTA-ELM算法性能的优越性。2)标记加权极限学习机开创了代价敏感学习思想在标记加权中的应用先河,但在多标记学习上,标记加权极限学习机对数据集的内在不平衡特性挖掘尚不充分,仅使用了类别不平衡比率的经验加权方式。针对这一问题,本文提出基于AdaBoost的多标记加权极限学习机Ada-MLW-ELM(AdaBoost-based Multi-Label Weighted Extreme Learning Machine)算法。该算法对AdaBoost进行改进,将其权重分布与标记加权极限学习机相结合,并在权重更新过程中充分利用了多标记数据集的不平衡特性,使得模型不仅继承了标记加权极限学习机的低时间复杂度,也提升了算法的性能与稳定性。通过在12个多标记数据集上与其他9个算法进行比较,证明了Ada-MLW-ELM算法性能显著优越于其他算法。

关键词：多标记分类类别不平衡极限学习机代价敏感学习阈值技术

来源：评论

学校读者我要写书评

暂无评论

基于极限学习机的不平衡数据分类算法研究

基于极限学习机的不平衡数据分类算法研究

引用

作者：文志云重庆邮电大学

学位级别：硕士

随着大数据时代的到来,现实生活产生了大量的不平衡数据,这给数据挖掘带来了很大的难度。分类是数据挖掘的常用技术,然而传统的分类算法大多是针对数据分布平衡的情况来设计的,对于分布不平衡的数据很难获得理想的分类效果。针对这一现... 详细信息

随着大数据时代的到来,现实生活产生了大量的不平衡数据,这给数据挖掘带来了很大的难度。分类是数据挖掘的常用技术,然而传统的分类算法大多是针对数据分布平衡的情况来设计的,对于分布不平衡的数据很难获得理想的分类效果。针对这一现象,本文着眼于极限学习机(Extreme learning machine,ELM)在不平衡数据分类方面的研究,从两个不同的角度出发,改进了两个极限学习机算法用于不平衡数据分类。在数据层面上:ELM与采样技术结合能够有效提升分类效果,但由于不平衡数据固有的复杂属性,目前提出的与ELM结合的采样技术难以为ELM提供一个良好的学习策略,因此本文通过在采样技术上进行研究创新,提出了一个能够有效平衡数据集的重采样策略来结合ELM分类。算法层面上:代价敏感学习是解决类别不平衡问题的常用技术,因此本文将代价敏感学习的思想引入到ELM算法上对其改进,提出了一种代价敏感的加权极限学习机分类算法。1.基于重采样技术结合ELM的分类算法。该算法首先根据数据集的不平衡程度设计了一个重采样分类模型;然后在此模型上将DPC聚类原理的思想引入到采样技术中对两类样本进行处理,提出了多数类样本的裁剪方式,在少数类处理阶段,根据每个样本局部密度和邻近距离设计了一个自适应合成少数类样本的方法,缓解少数类集群中存在的类内不平衡问题,最后将重采样后的平衡数据集使用ELM算法分类训练。实验结果表明该算法与其他同类型算法相比,分类效果均有所提升。2.代价敏感的加权CW-ELM分类算法。该算法首先考虑了不同类别样本分布特点及同一类别内部样本的重要性,提出了基于信息理论的错分惩罚因子设置方法和基于DPC聚类的类内样本权值确定方法,然后通过构建约束优化理论解决了ELM输出层的权值计算问题,最后在不同的数据集上对比验证,实验结果表明该算法比其他同类算法的稳定性更好,分类性能更优。

关键词：不平衡数据重采样 ELM 代价敏感学习分类算法

来源：评论

学校读者我要写书评

暂无评论

基于集成学习的工业产品质量控制方法研究

基于集成学习的工业产品质量控制方法研究

引用

作者：张莉婷华南理工大学

学位级别：硕士

工业产品质量控制是工业产品获得稳定质量要求的重要手段。传统的工业产品质量控制是独立分析各种潜在信息或价值数据对质量指标的影响,而在工业生产过程中会产生海量数据,其数据具有数据脏乱、变量类型混合(数值型、类别型等)、特征判... 详细信息

工业产品质量控制是工业产品获得稳定质量要求的重要手段。传统的工业产品质量控制是独立分析各种潜在信息或价值数据对质量指标的影响,而在工业生产过程中会产生海量数据,其数据具有数据脏乱、变量类型混合(数值型、类别型等)、特征判别性不足、数据分布不平衡等特点,难以发现数据之间内在的联系。本文将产品质量控制问题转化为典型的机器学习问题,以工业中的制造业产品质量控制为研究对象,基于对生产流程中不同进度下的产品关键质量指标(良品率)的预测,及可调工艺参数最优预设值的推荐来进行应用研究,提出基于集成学习的工业产品质量控制方法。主要创新工作如下:1)针对数据分布不平衡的难点,在数据层面,本文通过过采样和改良版欠采样的方式来调整训练样本分布不均匀的问题;在算法层面,本文选取了代价敏感学习的方法,选取Boosting集成学习算法作为基础算法模型,提出了基于代价敏感的梯度增强树算法(CSXGBoost),形成了一种数据层面和算法层面相结合的处理方案。2)针对关键质量指标预测问题,本文通过利用集成学习中随机森林、XGBoost算法及引入深度学习的DART算法进行回归模型线性融合,同时利用分类模型后处理的结合方式,提出了一套基于集成学习算法的多模型融合的关键质量指标预测方案。3)针对可调整工艺参数推荐问题,本文提出了在关键质量指标最大化下的参数统计量特征分析方法和基于不可调整参数特征的相似性匹配方法,实现对可调整工艺参数的最优组合推荐。实验结果表明提出的方法能在较小RMSE评估指标下对制造业不同进度下的产品数据关键质量指标进行较好的预测,及能较优地对生产过程中可调整工艺参数预设值进行推荐,进而对其产品质量控制有深刻的指导意义。

关键词：质量控制集成学习数据分布不平衡代价敏感学习 XGBoost

来源：评论

学校读者我要写书评

暂无评论

支持向量机及其在入侵检测中的应用研究

支持向量机及其在入侵检测中的应用研究

引用

作者：程学云南京师范大学

学位级别：硕士

随着计算机网络应用的日益普及，其安全性越来越受到人们的重视。入侵检测是对企图入侵、正在进行的入侵或已经发生的入侵进行识别的过程，是一种主动的网络安全防御措施。入侵检测作为网络安全研究的重要内容，已经引起了国内外学者的... 详细信息

随着计算机网络应用的日益普及，其安全性越来越受到人们的重视。入侵检测是对企图入侵、正在进行的入侵或已经发生的入侵进行识别的过程，是一种主动的网络安全防御措施。入侵检测作为网络安全研究的重要内容，已经引起了国内外学者的广泛关注。目前入侵检测方法存在误报率和漏报率较高，实时性较差等缺点，需要大量或完备的数据才能达到比较理想的检测性能。支持向量机(Support Vector Machine，SVM)是建立在统计学习理论基础上的基于小样本的机器学习方法，根据Vapnik的结构风险最小化原则，能避免过拟合，具有较强的泛化能力。SVM本质上是一个凸最优化问题，能得到全局最优解。此外，SVM还具有训练速度快、复杂度与维数无关等特性。将SVM应用到入侵检测中，可以保证在先验知识不足的情况下，入侵检测仍具有较好的分类精度，从而使得整个入侵检测系统(Intrusion Detection System，IDS)具有较好的检测性能。本文较深入地探讨了SVM的基本原理及其若于算法，针对实际检测中不同类型的错分损失代价不同，提出了基于SVM代价敏感学习的入侵检测方法，能有效降低攻击漏报率和高代价样本错误率；针对实际检测中训练样本规模通常较大、内存无法满足要求的现状，提出了基于SVM的信息融合方法，在各模块支持向量的并集上训练得到预测模型。对于独立同分布的训练和测试集，预测精度、漏报率、误报率等指标均与集中式训练的结果相当；将基于SVM的信息融合方法推广到分布式网络环境下，实现了分布式入侵检测。利用Java中RMI技术、Libsvm工具的Java接口开发了一个基于SVM的分布式入侵检测原型系统，并在KDD Cup 99数据集上进行实验，结果表明基于SVM的分布式入侵检测方法具有较高的入侵检测率。

关键词：入侵检测支持向量机统计学习代价敏感学习分布式入侵检测

来源：评论

学校读者我要写书评

暂无评论

不平衡文本分类任务中的主动学习策略研究

不平衡文本分类任务中的主动学习策略研究

引用

作者：李海玉中国科学院大学

学位级别：硕士

面对非结构化数据的信息抽取是人工智能领域的重要课题之一。在真实的对话分析场景中，每天积累的非结构化文本数据量巨大，需要收集分析的数据量急剧增加，且无用的知识（负例）远多于有用的知识（正例），在这种类不平衡问题中，想要... 详细信息

面对非结构化数据的信息抽取是人工智能领域的重要课题之一。在真实的对话分析场景中，每天积累的非结构化文本数据量巨大，需要收集分析的数据量急剧增加，且无用的知识（负例）远多于有用的知识（正例），在这种类不平衡问题中，想要提取有用的知识变得非常困难和不可能，因此需要利用文本分类技术来帮助人工挖掘有用的知识，但对话文本数据极少被人工进行标注。为了让机器快速进行学习，对数据进行标注是必不可少的一步。然而数据标注需要昂贵的成本，面对海量数据，如何经济又准确地进行标注是一个的棘手问题。　　针对这个问题，采用主动学习被认为是一个非常有效的解决方案。通过使用已有标注数据，让机器学习到的模型与标注专家进行高效的交互，能够有效降低模型学习所需要的标注数据量。因此，本文对真实对话分析场景下的不平衡文本分类任务进行研究并提出了有效的主动学习策略，本文的主要贡献如下:　　(1)提出一种新的基于不确定性的主动学习方法，首先利用层次聚类并定义类内平均相似度来优化初始训练集的选择;然后使用XGBoost作为分类器，因为它可以兼具分类性能和预测速度;最后使用margin作为不确定性的度量指标，同时为了降低数据类不平衡性的影响设计有效的重采样策略来优化选择。实验证明，本文提出的选择策略AL-XGB可以有效地提升主动学习的能力，降低达到标准所需的标注样本总量;(2)根据代价敏感学习思想，设计有效的权重更新方法，并将权重更新规则应用AL-XGB策略中进行优化。实验证明，优化后的主动学习策略AL-WXGB比AL-XGB效果更好;(3)为了探究初始训练集优化、重采样和权重更新规则这三种优化方法对主动学习性能带来的影响，进行了消融实验。此外，还增设了几种不同的重采样和权重更新策略，并观测和对比了它们对主动学习和模型性能的影响。

关键词：类不平衡文本分类主动学习代价敏感学习

来源：评论

学校读者我要写书评

暂无评论

基于支持向量机的商业银行信用风险评估研究

基于支持向量机的商业银行信用风险评估研究

引用

作者：卢红科东南大学

学位级别：硕士

信用风险评估是商业银行信贷风险管理中一项基础性且关键性的工作，其目的在于分析商业银行在贷款业务中可能面临的信用风险，从而为贷款决策提供依据。20世纪80年代以来，随着金融自由化、全球化进程的不断深入，金融市场波动性明显加... 详细信息

信用风险评估是商业银行信贷风险管理中一项基础性且关键性的工作，其目的在于分析商业银行在贷款业务中可能面临的信用风险，从而为贷款决策提供依据。20世纪80年代以来，随着金融自由化、全球化进程的不断深入，金融市场波动性明显加剧，各国银行和投资者面临着越来越严峻的金融风险。世界银行对全球银行业危机的研究表明，导致银行破产的主要原因是信用风险。从国内看，我国加入世界贸易组织之后的近十年时间里，外资银行大举进入中国，国内商业银行面临的外在竞争越来越激烈，与此同时，新巴塞尔资本协议的实施也给国内商业银行带来了斯的挑战。随着市场竞争的日益激烈，商业银行对信用风险量化和风险评估模型化的要求也日益突出。在这种情况下，研究和构建更加科学、有效的信用风险评估方法意义十分重大。\n 目前，国内外学者在信用风险评估方面进行了广泛而深入的研究，设计了许多适应特定金融环境的信用风险评估模型。本文首先对商业银行信用风险的概念、成因、特征进行了论述，并介绍了传统和现代信用风险度量方法与模型，在此基础上，将人工智能领域的支持向量机技术应用于我国商业银行信用风险评估问题。本文主要的工作有以下三方面：\n (1)针对传统的信用风险评估二分类问题，在研究支持向量机参数优化选择问题的基础上，构建基于改进粒子群算法的最小二乘支持向量机模型，着重研究如何提高我国商业银行信用风险评估问题中的评估精度，通过与其他四种模型相比较，证实了本文构造模型的有效性以及具有较高的分类精度。\n (2)针对信用风险评估过程中普遍存在的样本数据非平衡性以及错分代价的差异性问题，引入代价敏感学习方法，利用改进粒子群算法对代价敏感支持向量机最优参数进行选择，构建基于改进粒子群算法的代价敏感支持向量机模型。实证表明该模型在分类准确率、命中率、覆盖率、提升率等方面都有较大的改善，并且能在保持分类精度的情况下，降低信用风险评估过程中的错分类代价。\n (3)针对贷款风险五级分类问题，在传统最小二乘支持向量机的基础上，利用一对一多分类技术，将传统的二分类模型拓展到适合我国商业银行贷款风险五级分类评估的多分类模型，利用改进粒子群算法对多类分类最小二乘支持向量机算法进行参数优化，从而构造基于改进粒子群算法的多类分类最小二乘支持向量机构造模型，最后利用某省农信社的个人客户贷款数据进行实证分析，表明本文构造的贷款五级分类模型具有一定的实用性和有效性。

关键词：商业银行信贷业务信用风险评估支持向量机粒子群算法代价敏感学习

来源：评论

学校读者我要写书评

暂无评论

基于自编码器的跨项目软件缺陷预测

基于自编码器的跨项目软件缺陷预测

引用

作者：李娟娟南京邮电大学

学位级别：硕士

软件缺陷预测作为软件工程领域的研究热点,其主要的目标是发现软件中存在的缺陷从而提高软件质量。以往的研究大多数致力于项目内缺陷预测,项目内缺陷预测是指采用一个项目中的历史数据来训练缺陷预测模型,在同一个项目上测试软件模块... 详细信息

软件缺陷预测作为软件工程领域的研究热点,其主要的目标是发现软件中存在的缺陷从而提高软件质量。以往的研究大多数致力于项目内缺陷预测,项目内缺陷预测是指采用一个项目中的历史数据来训练缺陷预测模型,在同一个项目上测试软件模块的缺陷倾向性。然而同一个项目中如果没有足够的历史数据,会导致项目内缺陷预测效果变差。此时跨项目缺陷预测作为一种新的解决方法,通过采用其他项目的历史数据来建立一个缺陷预测模型,并在一个新的项目上进行预测。然而跨项目中的数据分布差异显著和数据集的类不平衡问题往往会导致缺陷预测模型的性能变差,本文基于这两个问题,将深度自编码器技术应用在跨项目缺陷预测中,提出3种不同的方法来提高缺陷预测的性能。首先,为了解决跨项目中的数据分布差异问题,提出了一种基于共享隐层自编码器的跨项目缺陷预测方法。该方法首先设计了一种共享隐层自编码器的网络结构,通过利用隐层参数共享机制来有效减小源项目和目标项目二者的特征分布差异。其次,设计了一种类内鉴别性损失函数来有效约束隐层公共子空间中的特征,提高类内特征的紧凑性。最后采用提取的深度源项目的特征来构建缺陷预测模型,提高了缺陷预测模型的准确度。其次,为了解决跨项目缺陷数据集中的类不平衡问题和有标记数据较少的问题,提出了一种基于半监督代价敏感改进自编码器的跨项目缺陷预测方法。该方法在深度自编码器训练过程中结合监督学习和无监督学习,对于训练过程中的监督部分加入类内鉴别性损失,对无监督部分重构损失。同时引入代价敏感学习技术来有效缓解类不平衡带来的影响,做法是通过对不同类别的样本施加不同的误分类代价值,缺陷预测的性能得到进一步的提高。最后,为了得到紧凑性更好的类内特征和分离性更优的类间特征,提出一种基于焦点损失改进自编码器的跨项目软件缺陷预测方法。该方法在深度自编码的训练过程中加入类内鉴别损失项和类间鉴别损失项来使源项目和目标项目在共享子空间中的分布更相似。此外使用一种更好的损失函数来处理类不平衡,采用焦点损失函数结合类别加权和难度加权。它的做法是通过给不同类别的样本施加不同的权重,并且考虑样本的难易分类程度,对难分类样本和易分类样本施加不同的权重,来有效解决类不平衡问题。与其他的几个跨项目对比算法相比,本文提出的3个方法在RELINK、NASA、AEEEM数据集上的实验提高了缺陷预测的性能。

关键词：深度自编码器共享隐层机制代价敏感学习焦点损失跨项目缺陷预测

来源：评论

学校读者我要写书评

暂无评论

基于改进灰狼算法优化SVM的研究与应用

基于改进灰狼算法优化SVM的研究与应用

引用

作者：周鑫婷山东科技大学

学位级别：硕士

现阶段，互联网的高速发展带来了海量的数据，如何从海量数据中精确挖掘到有价值的信息始终是学术界研究的重点，而隶属于机器学习的支持向量机能够将海量的数据转换为简单的分类问题。但传统支持向量机面临参数选择的难题，并且在解决... 详细信息

现阶段，互联网的高速发展带来了海量的数据，如何从海量数据中精确挖掘到有价值的信息始终是学术界研究的重点，而隶属于机器学习的支持向量机能够将海量的数据转换为简单的分类问题。但传统支持向量机面临参数选择的难题，并且在解决拥有不平衡数据的问题时，存在少数类样本无法被充分识别出的情况。针对这些问题，本文引入改进灰狼优化算法和代价敏感学习来加以解决，论文的主要工作和创新点如下:　　首先，针对传统灰狼优化算法易陷入局部最优的问题，提出基于混沌映射和改进莱维飞行的灰狼优化算法。在灰狼种群初始化过程中加入混沌映射，得到在解空间内分布更加均匀的初始解，接着引入可以动态调整步长因子的莱维飞行机制，并对灰狼优化算法自身的收敛因子采用非线性系数更新策略，来适应非线性问题。将改进后的算法在七个标准测试函数上进行实验，并设置对照组，实验结果显示，相比较于其他智能算法，经过改进后的灰狼优化算法寻优性能更强。　　其次，针对传统支持向量机存在的参数优化难题，提出用改进的灰狼优化算法来寻找支持向量机的最优参数。引用支持向量机的总体分类错误率作为灰狼优化算法的适应度函数，并将模型应用在拥有平衡数据集的心脏病监测问题上，设置对照实验组。结果表明，相比较于其他参数优化模型，经改进灰狼优化算法优化的支持向量机能够得到最高的分类准确率，模型分类能力较强。　　最后，针对支持向量机在处理不平衡数据集时存在的不足，提出用改进灰狼优化算法优化代价敏感支持向量机的模型。将标准支持向量机与代价敏感学习相结合，引入误分类代价，构造对误差代价敏感的支持向量机。再用改进灰狼优化算法在不平衡数据集中寻找适合代价敏感支持向量机的参数，设置代价敏感支持向量机的平均误分类代价为灰狼优化算法的适应度函数，并提出新的模型评价指标。将模型用于拥有不平衡数据集的银行电话营销问题上，实验结果表明，该模型相较于对比实验，能为数据集提供最低的平均误分类代价，对于少数类样本的识别能力较强。

关键词：数据挖掘支持向量机改进灰狼优化算法代价敏感学习

来源：评论

学校读者我要写书评

暂无评论

不均衡数据集下基于SVM的托攻击检测方法

引用

计算机工程 2013年第5期39卷 132-135页

作者：吕成戍王维国东北财经大学管理科学与工程学院辽宁大连116025 东北财经大学数学与数量经济学院辽宁大连116025

传统支持向量机(SVM)方法在数据不均衡情况下无法有效实现托攻击检测。在研究SVM的基础上,提出一种基于欠采样和代价敏感SVM相结合的托攻击检测方法。利用边界样本修剪技术实现训练样本的均衡,在消除部分多数类样本显著减小数据不均衡... 详细信息

传统支持向量机(SVM)方法在数据不均衡情况下无法有效实现托攻击检测。在研究SVM的基础上,提出一种基于欠采样和代价敏感SVM相结合的托攻击检测方法。利用边界样本修剪技术实现训练样本的均衡,在消除部分多数类样本显著减小数据不均衡程度的同时,保证信息损失最小。结合受试者工作特征分析技术,利用代价敏感SVM对重构后的样本集进行训练,在限定范围内自动搜索最优参数,进而调节阈值获得系统决策函数。实验结果表明,该方法能提高托攻击的检测精度。

关键词：攻击检测不均衡数据集代价敏感学习欠采样支持向量机接收机工作特性分析

来源：评论

学校读者我要写书评

暂无评论

面向民航数据分析应用的航班延误预测

面向民航数据分析应用的航班延误预测

引用

作者：闻翔北京交通大学

学位级别：硕士

伴随着我国民航业的高速发展,航空公司不断扩大的机队规模与有限的可用空域资源形成强烈反差。持续增长的航空运输需求与民航综合保障能力之间的矛盾愈加突出,致使我国民航准点率持续较低。精准有效的航班延误预测,不仅为旅客的正常出... 详细信息

伴随着我国民航业的高速发展,航空公司不断扩大的机队规模与有限的可用空域资源形成强烈反差。持续增长的航空运输需求与民航综合保障能力之间的矛盾愈加突出,致使我国民航准点率持续较低。精准有效的航班延误预测,不仅为旅客的正常出行提供保障,而且对民航系统的建设有着重要意义。在面对大规模航班数据时,目前在航班延误预测任务中主流的机器学习存在准确性和可靠性都不高的问题,而循环神经网络等深度学习方法没有全面考虑航班在运行过程中受到的多种相关效应的影响,预测效果往往也差强人意。因此,综合分析了航班的相关效应后,本文提出了基于卷积神经网络的航班延误预测模型,并且从算法和数据层面解决了由不均衡数据导致召回率低的问题。论文主要工作包括:(1)结合航班在运行过程中可能受到的影响因素,本文考虑了天气对航班延误的影响,在此基础上,提出航班延误受到多种相关效应的影响,包括航班串延误、机场延误和周期性延误。实验验证了在数据预处理阶段,融合天气信息和航班相关性信息均可以有效地提升模型的准确率和召回率等评价指标。(2)设计了基于一维卷积神经网络的航班延误预测模型。采用空间金字塔池化层对同一个特征向量进行多层次的特征提取,不仅解决了融合相关性信息后样本长度不固定的问题,网络的性能也得以小幅提升。在此基础上,采用密集连接结构和注意力模块对网络进行改进,与其他主流方法相比,本文提出的网络在准确率和召回率等各项评价指标上均达到最优。(3)深入分析模型召回率偏低这一问题后,本文从算法和数据两个层面对航班样本不均衡问题进行了探讨。算法层面上,使用代价敏感损失函数对不均衡数据和难易样本进行权重平衡。数据层面上,采用变分自编码器和生成对抗网络对延误样本做数据增强以平衡航班数据。实验表明,代价敏感损失函数对模型性能有一定的提升,且相较于传统的采样方法,采用深度生成网络均衡数据可以使模型在不过多损失准确率的情况下,大幅度地提升模型的召回率。

关键词：航班延误预测航班相关效应一维卷积神经网络不均衡数据代价敏感学习深度生成网络

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：