检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

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

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

157 篇 学位论文
115 篇 期刊文献
10 篇 会议

馆藏范围

282 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

238 篇 工学
- 188 篇 计算机科学与技术...
- 167 篇 软件工程
- 136 篇 控制科学与工程
- 28 篇 机械工程
- 13 篇 网络空间安全
- 8 篇 仪器科学与技术
- 8 篇 电气工程
- 6 篇 信息与通信工程
- 5 篇 航空宇航科学与技...
- 4 篇 交通运输工程
- 3 篇 电子科学与技术（可...
- 3 篇 生物医学工程（可授...
- 3 篇 公安技术
- 2 篇 材料科学与工程（可...
- 2 篇 冶金工程
- 2 篇 动力工程及工程热...
- 2 篇 地质资源与地质工...
177 篇 管理学
- 172 篇 管理科学与工程(可...
- 9 篇 工商管理
- 2 篇 公共管理
- 2 篇 图书情报与档案管...
20 篇 经济学
- 20 篇 应用经济学
- 2 篇 理论经济学
18 篇 理学
- 8 篇 数学
- 4 篇 系统科学
- 4 篇 统计学（可授理学、...
13 篇 医学
- 8 篇 临床医学
- 2 篇 医学技术（可授医学...
5 篇 教育学
- 3 篇 教育学
3 篇 艺术学
- 3 篇 设计学（可授艺术学...
1 篇 法学
1 篇 历史学
1 篇 军事学

主题

282 篇 代价敏感学习
32 篇 支持向量机
26 篇 不平衡数据
20 篇 卷积神经网络
19 篇 集成学习
19 篇 机器学习
17 篇 分类
16 篇 决策树
14 篇 特征选择
14 篇 半监督学习
13 篇 数据挖掘
12 篇 重采样
12 篇 深度学习
11 篇 属性约简
11 篇 软件缺陷预测
10 篇 粗糙集
9 篇 极限学习机
9 篇 类不平衡
9 篇 主动学习
8 篇 故障诊断

机构

12 篇 南京大学
11 篇 哈尔滨工业大学
9 篇 闽南师范大学
8 篇 北京交通大学
8 篇 广西师范大学
7 篇 西南石油大学
7 篇 华南理工大学
6 篇 南京航空航天大学
6 篇 江苏科技大学
6 篇 中南大学
6 篇 东北大学
5 篇 华中科技大学
5 篇 大连理工大学
5 篇 山东大学
5 篇 重庆邮电大学
5 篇 南京师范大学
5 篇 浙江大学
5 篇 南京邮电大学
4 篇 东南大学
4 篇 西南交通大学

作者

5 篇 曹鹏
5 篇 邹鹏
4 篇 cao peng
4 篇 zou peng
3 篇 郝媛媛
3 篇 付忠良
3 篇 吕成戍
3 篇 赵大哲
3 篇 姚丽
3 篇 谷琼
3 篇 尹金良
3 篇 周志华
2 篇 倪艾玲
2 篇 陈勐
2 篇 王维国
2 篇 权鑫
2 篇 司学峰
2 篇 fang yu
2 篇 高波
2 篇 蔡勍萌

语言

282 篇 中文

检索条件"主题词=代价敏感学习"

共 282 条记录，以下是31-40 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于决策粗糙集模型的多类代价敏感学习研究

基于决策粗糙集模型的多类代价敏感学习研究

引用

作者：邓国健南京理工大学

学位级别：硕士

近年来,随着计算机和互联网技术的发展与普及,产生的海量数据信息除了在规模上、复杂性上和过去的信息有很大不同之外,还存在着一定的不确定性和模糊性。决策粗糙集模型作为一种处理不精确、不确定性问题的方法,通过引入贝叶斯决策过程... 详细信息

近年来,随着计算机和互联网技术的发展与普及,产生的海量数据信息除了在规模上、复杂性上和过去的信息有很大不同之外,还存在着一定的不确定性和模糊性。决策粗糙集模型作为一种处理不精确、不确定性问题的方法,通过引入贝叶斯决策过程,给出了根据损失函数矩阵计算决策阈值的系统化方法,进而得到基于粗糙集三个区域的三支决策框架,很好的解决了用户在信息不足时如何做出合理决策的问题。现有的很多工作都是基于经典二类决策粗糙集模型展开的,对于多分类问题,大多是将其转化为多个二分类问题进而用二类决策粗糙集分类方法进行处理,这既要求用户提供更多的损失函数,又降低了计算的效率。鉴于此,本文将决策粗糙集与代价敏感学习相结合,提出了一种多类决策粗糙集模型,并以此模型为基础对代价敏感学习进行了研究,主要包括如下的研究内容:第一,决策粗糙集在分类模型上的扩展。损失函数矩阵在决策粗糙集中具有重要作用,在二分类问题中,可以很容易的根据损失函数矩阵计算出决策阈值。本文从语义角度出发,以损失函数为研究对象,将决策粗糙集与代价敏感学习相结合,利用经典代价敏感学习提供的多类问题代价矩阵推导出多类情况下的损失函数值,进而提出多类决策粗糙集模型,并基于此模型设计代价敏感三支决策分类算法,通过对比实验结果分析说明了所提算法在处理多类代价敏感问题中的有效性。第二,基于多类决策粗糙集模型的多阶段代价敏感学习方法。决策粗糙集的分类方法输出的是三支决策结果,只有划分到正域的对象才能以高置信度确定其类标,而划分到边界域的对象因信息不足而做出延迟决策,划分到负域中的对象因置信度不高而做出拒绝决策,即这两个区域中的对象在三支决策结果中都未给定具体类标。针对此问题,本文提出了基于多类决策粗糙集模型的多阶段代价敏感学习方法,通过多个阶段的分类过程以最终消除边界域和负域,将三支决策分类转化为二支决策分类。实验结果表明了所提算法具有较好的分类性能。第三,基于多类决策粗糙集模型的文本分类。文本分类是近年来的研究热点,本文以搜狗中文文本为语料库,使用基于多类决策粗糙集模型的多阶段代价敏感学习算法训练文本分类器,并与几种常用的机器学习分类算法进行实验对比,结果表明本文的方法在文本分类中具有更高的分类精确率和召回率以及更低的分类代价,进一步突出本文所提算法的代价敏感性并扩展了决策粗糙集在实际问题中的应用。

关键词：决策粗糙集三支决策代价敏感学习多类问题多阶段分类文本分类

来源：评论

学校读者我要写书评

暂无评论

基于重采样的代价敏感学习在网络贷款用户分类中的应用

基于重采样的代价敏感学习在网络贷款用户分类中的应用

引用

作者：郭冰楠华南理工大学

学位级别：硕士

网络贷款数据集具有申请量大而获批少的特征,是典型的不平衡数据集。利用机器学习方法,预先筛选出可能给予贷款的用户,可大大减少后续人工审核的工作量,加快贷款用户的响应速度,具有较好的应用价值。对不平衡数据集的研究集中在数据层... 详细信息

网络贷款数据集具有申请量大而获批少的特征,是典型的不平衡数据集。利用机器学习方法,预先筛选出可能给予贷款的用户,可大大减少后续人工审核的工作量,加快贷款用户的响应速度,具有较好的应用价值。对不平衡数据集的研究集中在数据层面和算法层面,本文在数据层面对随机平衡采样算法进行改进,在算法层面提出改进的代价敏感决策树算法,最后对算法层面和数据层面的改进算法进行融合,提出以最小误分类总代价为目标的新算法,并将提出的方法用于贷款用户分类研究中,论文的主要工作和贡献如下:1.不平衡数据集的重采样算法:本文在随机平衡采样算法的基础上,提出改进的随机平衡采样算法,该算法先根据样本点的位置,将所有样本点分为三类:安全点、边界点和噪声点,之后移除噪声点和边界点中的多数类样本,这样不同类样本间的分类边界更清晰,并针对不同类型的样本采用不同的采样方式;再同时对多数类样本进行欠采样、少数类样本进行过采样,使样本集中各类别样本数目基本一致。在网络贷款分类中,与随机平衡采样算法相比,该算法提高了少数类样本的分类准确率。2.不平衡数据集的代价敏感学习算法:本文在代价敏感决策树敏感函数的计算中加入类分布,以减弱正负类样本数量差异过大对误分类总代价的影响,构建改进的代价敏感决策树。依此作为基分类器,训练得到多个模型,每个模型对原始数据集进行预测,以期望误分类总代价最小为准则对原始数据集进行重标记,对重标记的数据集进行训练,得到新模型,同时将新模型与分类准确率较高的基分类器进行集成,得到最终的分类器。在网络贷款分类中,与代价敏感决策树算法相比,该算法可以提高整体的分类正确率,具有更强的泛化能力。3.对不平衡数据集的研究大多是纯重采样或者纯代价敏感学习,本文基于类别不平衡和误分代价不等往往同时发生的事实,尝试将重构数据集和代价敏感学习相融合,先采用重采样方法降低数据集的不平衡程度,再采用代价敏感学习算法构建模型。在网络贷款分类中,与纯代价敏感学习算法相比,该算法的分类正确率得到了提升。

关键词：不平衡数据集重采样网络贷款随机平衡采样代价敏感学习

来源：评论

学校读者我要写书评

暂无评论

异常检测的动态代价敏感学习深度置信网络研究

异常检测的动态代价敏感学习深度置信网络研究

引用

作者：沈浩南京财经大学

学位级别：硕士

随着大数据技术的发展,数据量不断扩大,源源不断的数据中很可能包括异常数据、欺诈数据等,这些数据会带来严重的影响,不仅会影响人们的生活、工作,而且会影响社会甚至国家的安全。故检测出异常数据、欺诈数据已经成为迫在眉睫的工作。... 详细信息

随着大数据技术的发展,数据量不断扩大,源源不断的数据中很可能包括异常数据、欺诈数据等,这些数据会带来严重的影响,不仅会影响人们的生活、工作,而且会影响社会甚至国家的安全。故检测出异常数据、欺诈数据已经成为迫在眉睫的工作。这些数据都属于非平衡数据,非平衡数据是数据集中不同类别的数据数目相差很多,这些异常数据需要我们学习它们的特征并进行有效的预测。现有的非平衡数据处理方法有数据层面和算法层面的方法,数据层面的方法的弊端是当数据量增大时,处理所需的时间复杂度会呈倍数增长;算法层面的方法包括机器学习的方法、深度学习的方法和集成学习方法等。随着深度学习的发展,神经网络技术也逐步发展,在异常检测或者欺诈检测中,神经网络技术因其可以模拟人脑功能的基本特征,从而有着识别率高、稳定性好的特点。另外考虑到异常数据标签数据少以及人工标注的成本较高的特点,引入半监督学习的概念,半监督学习通过将无标签数据加入到有标签数据的训练中,从而提高分类器学习的性能。本文在此基础上对异常检测做出如下研究:(1)调研了异常检测技术国内外研究现状和发展趋势,对前人的研究成果进行了归纳和总结,对现有主要的异常检测算法的理论和方法进行了研究,总结了这些方法的不足之处。(2)提出了代价敏感的深度置信网络分类方法,用于解决异常检测中的数据不平衡问题,以及针对传统的DBN不能有效地解决非平衡数据的缺点从而引入代价敏感学习技术在softmax层添加误分类代价使得DBN对非平衡数据的分类具有敏感性,从而提高分类准确率。(3)针对第(2)点提出的代价敏感深度置信网络方法以及手动设置误分类代价的弊端,提出了动态代价敏感的深度置信网络方法。实验在多个公开的非平衡数据集上进行,采用ROC曲线作为分类模型评价指标,并与传统的非平衡处理算法进行比较,取得了较好的实验效果。(4)提出了融合半监督学习与动态代价敏感深度置信网络分类方法的算法,并将该算法应用到欺诈数据集中,通过在该数据集上进行实验并采用评价指标进行度量,该算法可以取得较好的实验结果。

关键词：异常检测深度置信网络代价敏感学习差分进化方法半监督学习

来源：评论

学校读者我要写书评

暂无评论

基于代价敏感学习的信用卡客户价值分类研究

基于代价敏感学习的信用卡客户价值分类研究

引用

作者：莫佳卉哈尔滨工业大学

学位级别：硕士

随着行业竞争激烈程度的加剧,信用卡行业进行客户价值分类研究具有重要的现实意义与现实需求。但是基于准确率的经典分类方法无法解决客户价值分类问题,因为以往的分类算法是建立在误分类代价相等的基础上,而客户价值分类问题的误分类... 详细信息

随着行业竞争激烈程度的加剧,信用卡行业进行客户价值分类研究具有重要的现实意义与现实需求。但是基于准确率的经典分类方法无法解决客户价值分类问题,因为以往的分类算法是建立在误分类代价相等的基础上,而客户价值分类问题的误分类代价具有很大差距,把高价值客户判定为低价值客户的代价与把低价值客户判定为高价值客户的代价是完全不同的,前者以客户流失为代价远远高于后者的过度营销代价。因此为了对客户价值分类问题进行研究,必须要引入代价敏感理论。目前代价敏感学习理论没有专门用于客户价值分类的代价敏感模型,同时已有的代价敏感学习理论大都虚拟假定代价矩阵,没能结合行业问题建立代价函数,缺乏可靠的代价函数导致所建的代价敏感算法处于实验阶段而不能真正的用于解决实际问题。为了更有效率的进行客户价值分类,本文提出了客户价值的代价敏感分类模型。该模型主要包括两大研究问题:如何建立代价敏感决策树算法以及如何利用客户价值评价方法建立客户价值代价函数。把该模型应用到某银行信用卡客户数据中,实例研究验证了该模型的可行性。将本模型与欠取样模型和经典的ID3模型进行对比,三组对比实验的结果显示该方法能够不受样本容量的影响,能够处理高代价比例的问题,因此本文提出的模型能够更有效的解决客户价值分类中的代价敏感问题。

关键词：代价敏感学习客户价值分类决策树

来源：评论

学校读者我要写书评

暂无评论

基于卷积神经网络代价敏感学习的故障诊断算法研究

基于卷积神经网络代价敏感学习的故障诊断算法研究

引用

作者：胡晓平山东大学

学位级别：硕士

在现代工业生产中机械设备的智能化程度不断提高,这些设备在大幅提高生产效率的同时也带来了维护上的困难。现实中即使是一个不明显的小故障也可能会因为时间的累积导致严重事故进而导致经济损失甚至是人员伤亡,因此我们希望能够对设备... 详细信息

在现代工业生产中机械设备的智能化程度不断提高,这些设备在大幅提高生产效率的同时也带来了维护上的困难。现实中即使是一个不明显的小故障也可能会因为时间的累积导致严重事故进而导致经济损失甚至是人员伤亡,因此我们希望能够对设备及时的检修防止事故的发生。然而如果仅仅使用人力检修必然需要停机然后耗费大量的时间才能完成,而这期间也会造成大量的经济损失。为了实现对机械设备快速有效的检测和维护,机械的智能故障诊断技术越来越受到研究者的重视,且其已经成为现代工业4.0的一个重要研究课题。机械的智能故障诊断技术在提高故障诊断的速度和精度的同时也降低了设备的维护成本。借助于机器学习技术特别是深度学习技术故障诊断算法变得越来越有效和智能,其在准确率和稳定性上都大幅提高。然而目前的故障诊断算法依然有很多可以优化的地方。比如:目前大多数故障诊断算法依赖于使用专家经验完成特征提取的任务、故障诊断模型的训练速度和诊断效果很难兼顾、大部分研究都没有考虑当诊断出现错误所产生的不同代价进而对算法的评价过于乐观等等。针对上述存在的一些问题本文分别尝试使用卷积神经网络处理原始振动信号、代价敏感学习等方案来解决。卷积神经网络(CNN)具有参数少、充分利用局部特征、特征提取能力强等特点,基于此其在图像识别领域取得了巨大成功。故障诊断从机器学习的角度可以归结为一个分类问题,从原始的机械振动信号中提取的用于分类的特征的好坏关系到最终分类的效果。基于CNN特征提取能力强的特性本文使用其作为本文研究的基础网络结构并让它直接处理原始振动信号,用CNN来自动提取原始振动信号中的特征能消除对专家经验的依赖提高故障诊断的智能程度。此外在网络结构的设计上采用更小的卷积核(3X3)和更深的网络结构(7层卷积层),并减少全连接层的数目(2层全连接层),这样不仅提高的网络的特征提取能力还减少了网络的参数数量。在研究二维CNN网络故障诊断方法过程中本文设计了一种结合数据重采样和错位堆叠的振动数据二维化的方法,在充分挖掘振动数据的周期性特征的同时提高了数据预处理的易用性。数据不平衡的问题在很多实际应用中都存在,故障诊断中的数据不平衡问题非常明显但大部分研究都未给予充分的重视。由于不同类别的故障数据在数量上是不平衡的,数量少的类别在数据驱动的诊断技术中通常会有更高的错误率然而却有更大的误分类代价。为了解决故障诊断中存在的数据不平衡的问题,本文应用了代价敏感学习的方法并与CNN结合,同时扩展了在多分类不平衡问题中的评价指标,实验结果表明本文的方法在典型的故障诊断数据集上取得了良好的分类效果。

关键词：故障诊断卷积网络特征提取数据不平衡代价敏感学习

来源：评论

学校读者我要写书评

暂无评论

基于三支决策的代价敏感学习方法研究

基于三支决策的代价敏感学习方法研究

引用

作者：刘洋洋河南师范大学

学位级别：硕士

数据挖掘中的一个重要模型是分类模型,传统数据挖掘方法的目标是获得一个分类精度尽可能高的分类器。但是在实际问题中,外部环境的各种不确定因素会导致决策不能顺利达到预期目标,进而带来决策风险代价,且分类模型中的误分类代价不尽相... 详细信息

数据挖掘中的一个重要模型是分类模型,传统数据挖掘方法的目标是获得一个分类精度尽可能高的分类器。但是在实际问题中,外部环境的各种不确定因素会导致决策不能顺利达到预期目标,进而带来决策风险代价,且分类模型中的误分类代价不尽相同,存在代价敏感性。完全避免决策失误是难以做到的,人们所期望的是使决策风险代价最小,而非期望利益最大化。追求决策知识与经验数据的严格一致性容易给决策者提供错误的决策信息,且忽略了决策者对预期风险的规避心理,已不适用于解决实际问题。三支决策将决策视为分类问题,与数据挖掘处理的问题模型相一致,建立了决策理论与数据挖掘方法之间的桥梁,其具有的误差容忍与代价敏感机制可以使传统的数据挖掘方法在分类中对不同代价的误分类结果具有区分性与敏感性,以做出风险损失最低的分类结果。针对一般的数据挖掘模型仅仅寻求分类器的精度,不能根据人们的期望处理现实中的决策问题,本文将三支决策用于传统的数据挖掘方法中,构建了基于三支决策的代价敏感学习方法,使传统的数据挖掘方法更好地适应具有代价敏感性的实际问题。本文主要研究内容如下:(1)针对典型的支持向量机增量学习算法对有价值的非支持向量的忽略,以及一般的支持向量机增量学习算法尽可能提升分类精度的客观性,利用三支决策的代价敏感性和边界域构建了一种新的支持向量机增量学习算法。该算法首先根据支持向量机的学习原理来度量三支决策中的条件概率;然后采用三支决策划分出边界域,并基于支持向量机对其与新增样本、原支持向量的并集进行分类;最后,通过实验证明,该方法不仅能够筛选出有价值的非支持向量进而提高分类的精确性,而且使支持向量机增量学习方法更适合于具有代价敏感性的实际问题,并使三支决策中条件概率的构建方式更切合于具体学习环境。(2)针对现有的涉及k近邻的top-n离群点检测算法通常依赖于参数k,n,但用户却很难确定合适的参数值,基于三支决策的三支语义提出了一种基于三支决策的代价敏感离群点检测方法。该方法首先采用k近邻来度量三支决策的条件概率;其次,构建使决策代价最小的最优化问题来自适应地寻找最优条件概率;然后,采用三支决策递归地划分离群点;最后,通过实验证明,该方法不仅使条件概率的度量方法适用于离群点检测问题,而且可以在不需要用户参与的前提下自动地检测离群点。(3)针对传统数据挖掘方法对不一致数据的忽视,以及一般的决策树算法对不一致结点的处理缺乏理论支撑的缺陷,根据三支决策的代价敏感性和边界域构建了一种新的决策树分类方法。该方法首先采用决策树结点的正例比例来度量三支决策中的条件概率,进而三支划分决策树中的结点,生成三支决策树;然后提出三支决策树合并剪枝规则,使之成为二支决策树;最后,通过实验证明,该方法保留了数据中的不一致信息,从最小化整体风险的角度来划分不一致结点,不仅生成了具有代价敏感性的决策树,而且使决策树中不一致结点的判别更具可解释性,并使三支决策条件概率的度量方法适用于决策树学习问题。

关键词：三支决策数据挖掘代价敏感学习决策风险最小化

来源：评论

学校读者我要写书评

暂无评论

基于k-GSMOTE代价敏感学习的工业不平衡数据分类研究

基于k-GSMOTE代价敏感学习的工业不平衡数据分类研究

引用

作者：徐玲玲上海电机学院

学位级别：硕士

随着工业互联网发展与传统工业的全面数字化转型,工业生产过程中产生的数据迅速膨胀,呈现出爆发式增长趋势,从复杂的海量工业数据中挖掘出数据背后潜在的价值俨然成为机器学习和数据挖掘领域炙手可热的话题。用数据挖掘算法分析工业生... 详细信息

随着工业互联网发展与传统工业的全面数字化转型,工业生产过程中产生的数据迅速膨胀,呈现出爆发式增长趋势,从复杂的海量工业数据中挖掘出数据背后潜在的价值俨然成为机器学习和数据挖掘领域炙手可热的话题。用数据挖掘算法分析工业生产数据,挖掘其运作规律和潜在的价值,用于决策分析、预测性分析,能够为大型工业节约成本和提高生产效率。例如,在工业设备故障诊断分析中,一次分类、预测的失误可能带来不可估量的损失。然而,实际工业生产中所采集的工业数据往往是不平衡的,类别样本之间的数量差异很大,导致机器学习算法的学习难度增加,阻碍了识别、预测效果的提升,为我们对其进行数据分析带来了新的挑战。本文基于工业场景中数据集存在的不平衡问题,重点对工业不平衡数据集分类模型进行研究,并取得了如下研究成果:针对现有数据重采样及代价敏感学习等不平衡数据学习方法中存在的问题,本文根据k-means聚类算法、SMOTE以及代价敏感学习等基本思想,提出了基于数据重采样以及分类算法融合的k-GSMOTE不平衡数据学习代价敏感学习分类模型。该方法在分类模型训练过程中首先利用自编码器(Auto-Encoder)对原始不平衡数据进行特征提取;然后使用结合了k-means聚类的k-GSMOTE过采样方法对不平衡数据进行过采样操作,以降低各类别数据的不平衡度;最后在分类器分类过程中引入代价敏感学习算法,为具有极大研究价值的少数类赋予较大的误分代价,从而提高对少数类的识别率。最后在经典不平衡数据集上对本文提出的分类模型进行验证。通过与传统的分类算法的对比,本文算法能够有效提高分类效果,并且在测试数据集上展现出了较为优越的分类性能。

关键词：工业不平衡数据 k-means聚类算法 GSMOTE过采样代价敏感学习

来源：评论

学校读者我要写书评

暂无评论

基于代价敏感学习的乳腺癌生存期预测研究

基于代价敏感学习的乳腺癌生存期预测研究

引用

作者：叶蓓华中农业大学

学位级别：硕士

近年来,随着医疗技术的发展与进步,乳腺癌患者的死亡率有所下降。然而,乳腺癌仍然是发病率和死亡率最高的癌症之一。乳腺癌生存期预测是对患者未来疾病进展和生存状态的预测,有助于为患者提供更加合理的治疗,帮助患者更加科学地规划剩... 详细信息

近年来,随着医疗技术的发展与进步,乳腺癌患者的死亡率有所下降。然而,乳腺癌仍然是发病率和死亡率最高的癌症之一。乳腺癌生存期预测是对患者未来疾病进展和生存状态的预测,有助于为患者提供更加合理的治疗,帮助患者更加科学地规划剩余生活,使患者拥有更圆满的生命。大多数乳腺癌患者在确诊五年内能够存活,但也有部分患者在此期间不幸离世,故乳腺癌五年生存期预测本质上是不平衡数据的二分类问题。此外,在乳腺癌生存期预测中,存在错误分类代价不均等的问题,将短期生存者错误预测为长期生存者的代价更大。本文基于从SEER数据库中选取的2010-2015年确诊的乳腺癌患者的临床数据,研究乳腺癌生存期的影响因素及预测模型,以提高预测精度。本文的主要工作如下: (1)对乳腺癌患者的人口学特征、诊断特征、治疗信息及生存期进行了描述性统计分析,探究了患者特征与生存期的联系。 (2)设计了混合特征选择方法。在采用互信息、Lasso、递归特征消除RFECV进行特征选择的基础上,设计了混合特征选择方法并采用了决策树、支持向量机、随机森林、LightGBM、XGBoost、CatBoost六种机器学习算法对比分析各特征选择方法的性能。同时选择分类效果最佳的LightGBM算法作为本研究的基分类器。 (3)构建了代价敏感的生存期预测模型(MetaCost-LightGBM)。针对乳腺癌生存期预测中存在的错误分类代价不均等的问题,引入代价敏感算法MetaCost,构建了MetaCost-LightGBM模型。相较于原始的LightGBM模型,该模型在Recall和G-mean方面分别提高了21.7%和9.5%。 (4)提出了改进的代价敏感算法(AL-MetaCost)。为进一步提高预测效果,本文将结合不确定性采样和多样性采样的主动学习方法嵌入MetaCost的训练子集采样阶段,提出AL-MetaCost算法,并在公开数据集上验证其性能。 (5)构建了AL-MetaCost-LightGBM生存期预测模型。在乳腺癌生存期预测中,该模型的Recall、AUC、G-mean分别达到了0.9508、0.9063、0.7593。相较于MetaCost-LightGBM模型,其Recall和G-mean分别提高了77.7%和5.5%。研究结果表明:本文设计的混合特征选择方法的效果优于单一特征选择方法;在6种机器学习算法中,LightGBM算法更适用于乳腺癌生存期预测;KEEL数据集上的实验证明了本文提出的AL-MetaCost算法具有较好的学习不平衡数据的能力;AL-MetaCost-LightGBM模型有助于提高乳腺癌生存期预测的准确性。

关键词：乳腺癌生存期预测不平衡数据代价敏感学习主动学习集成学习 MetaCost

来源：评论

学校读者我要写书评

暂无评论

基于代价敏感学习的软件缺陷预测方法研究

基于代价敏感学习的软件缺陷预测方法研究

引用

作者：刘世豪吉林大学

学位级别：硕士

随着应用软件的深入普及,软件的复杂性和多样性也同样随之日益增加,随之而来的是软件缺陷的增加,这将使软件的测试和维护成本升高,同时使用户的体验感降低,从而导致用户量的减少和公司名誉的损害,严重者甚至会产生灾难性的危害。软件缺... 详细信息

随着应用软件的深入普及,软件的复杂性和多样性也同样随之日益增加,随之而来的是软件缺陷的增加,这将使软件的测试和维护成本升高,同时使用户的体验感降低,从而导致用户量的减少和公司名誉的损害,严重者甚至会产生灾难性的危害。软件缺陷预测技术可以在软件开发的早期识别有缺陷的软件模块,有助于开发人员及时修复bug,从而提升软件质量。在软件的缺陷预测中,常常会出现类不平衡问题,即有缺陷类别的样本数量一般远小于无缺陷类别的样本数量。同时,将有缺陷的模块预测为无缺陷所造成的损失是远大于将无缺陷模块预测为有缺陷。而代价敏感学习是对于不同的误分类情况给予不同的误分类代价,在缺陷预测模型中使用代价敏感学习可以使软件缺陷预测模型更加关注于对有缺陷模块的误分类情况,从而提高预测模型的分类能力。基于此,本人阅读了有关软件缺陷预测、代价敏感学习的大量国内外文献,并结合机器学习等专业知识,对软件缺陷预测和代价敏感学习的相关概念进行阐述和分析,并提出了两种基于代价敏感学习的软件缺陷预测方法:(1)基于代价敏感学习的CART决策树的缺陷预测方法。首先,为了解决类别不平衡现象,本文对于上述两种不同的误分类情况,在代价函数中分别设置了不同的代价敏感因子。其次,通过实验训练出10组在测试集上表现良好的代价敏感因子α和γ,即选出10组在测试集上表现优异的CART决策树模型,并通过加权投票进行集成。最后,将本算法和一些传统的机器学习算法进行对比来证明本算法的有效性。(2)基于代价敏感学习的CNN软件缺陷预测方法。传统的手工制作的特征无法有效地捕捉到程序的语义和结构信息,而深度学习架构可以有效地捕捉高度复杂的非线性特征。因此,本文提出了基于代价敏感学习的CNN软件缺陷预测方法。首先,将程序代码解析成抽象语法树节点,并将每个抽象语法树节点转化成字符串向量,通过映射关系转化成数值向量,并将数字向量输入到卷积神经网络中,来提取代码的语义语法特征。其次,将通过CNN获取的特征和传统特征相结合,从而获取更丰富的bug源代码的特征表示。再次,构建代价敏感的CNN模型,引入multi-head attention机制来让卷积神经网络选择性地接受和处理信息;同时,通过给损失函数加上权值,使得当模型对有缺陷样本判断错误时,损失的权重更大。最后,将数据集输入到基于代价敏感的CNN模型中,并通过和传统的LR模型、DBN模型、DBN+模型以及DP-CNN模型的对比来证明本算法的有效性。

关键词：软件缺陷预测代价敏感学习决策树卷积神经网络 multi-head attention机制

来源：评论

学校读者我要写书评

暂无评论

基于深度代价敏感学习的高光谱图像分类研究

基于深度代价敏感学习的高光谱图像分类研究

引用

作者：曹淑建合肥工业大学

学位级别：硕士

高光谱图像是一种具有丰富信息的遥感图像,其在环境、农业和军事等领域具有广泛的应用前景。高光谱图像的分类精度直接影响其应用效果,因此开发有效的高光谱图像分类模型是该领域的重要研究课题。随着深度学习技术的发展,高光谱图像分... 详细信息

高光谱图像是一种具有丰富信息的遥感图像,其在环境、农业和军事等领域具有广泛的应用前景。高光谱图像的分类精度直接影响其应用效果,因此开发有效的高光谱图像分类模型是该领域的重要研究课题。随着深度学习技术的发展,高光谱图像分类研究引入了智能化学习理论。基于卷积神经网络的高光谱图像分类模型应运而生,但是仍面临以下两个难题:(1)网络层次的叠加导致的网络退化和梯度消失问题,会影响高光谱图像空间特征的提取效果,从而限制分类精度的进一步提升;(2)卷积神经网络无法高效处理高光谱图像中具有长距离依赖的频谱信息。此外,高光谱图像数据还存在数据样本不平衡的问题,这会导致模型在训练过程中偏向于多数类样本,忽略少数类样本的分类准确率。为了解决以上问题,做了如下研究工作: (1)设计了一种基于深度代价敏感学习的高光谱图像分类模型(HICDCL)。该模型主要由深度学习网络和代价敏感学习构成。其中,深度学习网络包含两个模块。首先,为了充分提取高光谱图像的空间语义信息,设计了一个基于深度卷积神经网络的空间特征提取框架(SFEDNN)。为了克服网络退化和梯度消失问题,引入了金字塔残差单元,构建了一个深层次的卷积神经网络模型。其次,为了挖掘光谱间的深层次联系,设计了一个基于Transformer的光谱特征提取模块(SEFET)。该模块以SFEDNN输出的空间特征向量为输入词向量,将多个频谱的空间特征向量组成输入序列,通过多头自注意力机制输出空间-光谱特征。为了加强Transformer的层间信息交流,设计了一个跨层自适应融合模块。此外,为了解决样本不平衡问题,使用代价敏感学习,将代价系数融入到损失函数中进行训练,旨在引导模型实现正确的分类效果。最后,在三个公开数据集上运行HICDCL模型,并将其与其他模型的性能进行对比,结果表明HICDCL模型具有优异的分类性能,充分验证了其有效性和优越性。 (2)设计了基于Swin T-T的高光谱图像分类模型(HICSTT),旨在对HICDCL模型进行扩展和改进。首先,为了更好地捕捉物体材料对光谱的吸收特性和变化,使用分组谱输入代替了基于波段的输入。其次,在HICDCL模型中,SFEDNN是一种基于深度卷积神经网络的空间特征提取模型。然而,由于卷积算子的局限性,深度卷积神经网络无法对空间全局语义信息进行充分学习。因此,我们设计了基于Swin Transformer的空间特征提取模型(SFEST),它不仅能够利用基于局部自注意力机制提取空间局部特征,还可以通过使用移位窗口技术中的层级式特征融合充分利用空间全局语义信息。此外,相对于HICDCT模型,HICSTT模型具有更小的参数量和更快的训练速度。最后,在三个公开数据集上对HICSTT模型进行了测试,并将其与其他先进的典型算法以及HICDCL进行了性能比较。结果表明,HICSTT模型在所有数据集上的总体精度OA、平均分类精度AA和Kappa系数都达到了99%以上,并展现了更好的视觉分类效果。这些结果充分验证了HICSTT模型的创新点是有效且先进的。

关键词：高光谱图像分类深度学习深度网络代价敏感学习 Transformer

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共29页 << < 1 2 3 4 5 6 7 8 9 10 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

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：