检索结果-内蒙古大学图书馆

系统工程理论与实践 2020年第2期40卷 392-402页

作者：方匡南陈子岚厦门大学经济学院统计系厦门361000 计量经济学教育部重点实验室(厦门大学) 厦门361000 厦门大学学生工作部(处) 厦门361000

传统的信用评分模型主要基于有监督学习(supervised learning)方法,但是,在实际的贷款问题中,有标记样本信息的获取往往成本较高、难度较大、周期较长,而无标记样本信息则大量存在.为了能在建模中充分利用无标记样本信息,本文提出了一... 详细信息

传统的信用评分模型主要基于有监督学习(supervised learning)方法,但是,在实际的贷款问题中,有标记样本信息的获取往往成本较高、难度较大、周期较长,而无标记样本信息则大量存在.为了能在建模中充分利用无标记样本信息,本文提出了一种基于半监督广义可加(semi-supervised generalized additive,SSGA) Logistic回归的信用评分模型.该模型不但能处理线性不可分问题,也能同时利用有标记与无标记样本信息,并同步实现模型参数的估计和显著变量的选择.通过模拟实验表明,所提出的模型在外推预测和变量选择方面的表现均显著优于有监督模型.最后,将该模型应用于个人信用贷款违约风险的评估中.

关键词：半监督广义可加logistic回归信用评分无标记样本

来源：评论

学校读者我要写书评

暂无评论

基于概念漂移的数据流集成分类算法研究

基于概念漂移的数据流集成分类算法研究

引用

作者：任思琪湖南大学

学位级别：博士

随着信息技术的高速发展,计算机用户需要不断地在收集和共享数据,从而导致数据出现了爆炸性的增长。数据流作为一种新的数据类型,与传统的数据相比,具有高维性、高速性、动态性、连续性和数据规模庞大的特点,已经在无线传感器网络、网... 详细信息

随着信息技术的高速发展,计算机用户需要不断地在收集和共享数据,从而导致数据出现了爆炸性的增长。数据流作为一种新的数据类型,与传统的数据相比,具有高维性、高速性、动态性、连续性和数据规模庞大的特点,已经在无线传感器网络、网络流量监控以及金融股票等领域得到了广泛的应用。数据流的这些特点使得传统的数据挖掘算法不再适用,因此数据流挖掘已经成为数据挖掘的研究热点之一。本文的主要工作概括如下:1)本文对数据挖掘以及数据流挖掘的背景意义,以及国内外研究现状进行了阐述;同时详细介绍了数据流的基本概念以及目前存在的概念漂移处理方法;重点介绍了传统的数据流集成分类器模型以及用于处理不平衡数据流的集成分类器模型;最后介绍了用于数据流分类器性能评估的指标并总结了常见的概念漂移数据集。2)首先,数据流分类器通常采用增量学习的方式,相比于批处理的方式,它们只能得到近似解。其次,在样本类标签大量缺失的数据流环境下,流数据的监督性信息十分有限,不足以训练一个具有良好泛化能力的分类器。再次,基于分类器性能稳定性的概念漂移检测机制会存在较大的检测迟延。最后,真实数据集中一般含有多种概念漂移,然而现存的算法往往只能处理一种概念漂移。针对于这些问题,本文首先提出了一种概念漂移检测机制,通过利用数据流中的监督性以及非监督性信息可以及时发现突变型概念漂移。然后,结合块集成分类器以及增量式集成分类器的处理机制,提出了一种混合型的集成分类器,可以应对多种类型的概念漂移。同时,通过利用数据流中的非监督性信息以及重现型概念,可以提高候选分类器的泛化能力。最后,通过结合所有基础分类器的输出,可以充分利用数据流的有用信息。3)目前已存在的数据流分类算法往往假设数据分布是平衡或者近似平衡的,然而在实际应用中许多类别分布是不平衡的。针对该问题,本文提出了一个可以同时处理概念漂移以及类别分布不平衡问题的数据流集成分类器。首先,在基于块的框架下,提出了一种重采样机制。通过评估过去数据块中的小样本与当前小样本的相似度,只选择与当前概念足够类似的小样本去平衡当前的类别分布。为了避免离群点以及子概念对于相似度评估的影响,需要首先对当前的小样本集进行聚类,通过计算过去小样本与小类簇的马氏距离来评估相似度。同时,为了避免类别重叠问题,需要计算过去小样本与当前大样本集的相似度。然后,基于过采样后的数据块建立一个候选分类器。为了使集成模型可以适应不同类型的概念漂移,可使用当前数据块中的样本更新过去的基础分类器。最后,集合所有基础分类器的预测结果做出分类决策,可以有效地利用数据流的信息。4)相比于类别不平衡问题,复杂分布(例如:离群点,子概念和类别重叠)会严重降低分类器的性能并复杂化分类任务。然而,现有的不平衡数据流分类算法无法解决复杂分布问题。针对这一现状,本文提出了一个可以同时处理概念漂移,类别不平衡以及复杂数据分布的数据流集成分类器。在基于块的框架下,首先使用一种选择性重采样机制去平衡当前的数据分布,该重采样技术可以避免在候选数据块中引入漂移数据以及复杂数据。然后,当前数据块中的每个样本被赋予一个更新权重,过去的基础分类器被周期性地更新,从而使集成模型可以适应不同类型的概念漂移。在周期性更新过程中,代价高的错分类样本以及小类样本被赋予较高的更新权重,具有较高的概率被选中用以更新过去的分类器。

关键词：数据挖掘数据流数据流挖掘集成分类器概念漂移无标记样本概念漂移检测器类别不平衡复杂分布

来源：评论

学校读者我要写书评

暂无评论

半监督自训练方法综述

引用

重庆师范大学学报（自然科学版） 2021年第5期38卷 98-106页

作者：吕佳李婷婷重庆师范大学计算机与信息科学学院重庆401331 武汉大学信息管理学院武汉430072

【目的】通过介绍半监督自训练的背景及自训练方法的理论、训练机制、特征属性、比较标准,并梳理自训练方法的应用场景和存在的主要问题,为自训练方法的进一步研究提供参考。【方法】检索半监督自训练方法的相关文献,回顾近些年自训练... 详细信息

【目的】通过介绍半监督自训练的背景及自训练方法的理论、训练机制、特征属性、比较标准,并梳理自训练方法的应用场景和存在的主要问题,为自训练方法的进一步研究提供参考。【方法】检索半监督自训练方法的相关文献,回顾近些年自训练方法研究领域取得的进展并进行归纳总结。【结果】首先,介绍了半监督自训练方法的背景及自训练方法的理论。然后,从相关研究中梳理了自训练方法训练机制、特征属性、比较标准。在训练机制部分,归类总结了自训练学习过程中训练集的扩充方法;在特征属性部分,分别从自训练方法的置信度度量方式和训练过程中的停止准则进行阐述;在比较标准部分,论述了衡量自训练方法有效性的评价指标。最后,整理归纳了自训练方法的应用场景和主要存在的问题。【结论】半监督自训练方法的理论研究和应用探讨在未来一段时间仍然是机器学习研究的重点和热点之一,本研究对于理解半监督自训练方法的学习机理以及解决实际应用问题等都具有重要的理论价值和现实意义。

关键词：半监督学习自训练方法标记样本无标记样本噪声

来源：评论

学校读者我要写书评

暂无评论

基于改进半监督SVM的流程工业故障诊断系统研究及实现

基于改进半监督SVM的流程工业故障诊断系统研究及实现

引用

作者：李云路东北大学

学位级别：硕士

流程工业过程的故障诊断对于抑制事故发生,减少经济损失具有重要的意义,工业过程监控与诊断的自动化、智能化已经成为工业自动控制领域的研究重点之一。随着现代工业检测手段的不断进步,过程数据的采集变得更加实时可靠。基于机器学习... 详细信息

流程工业过程的故障诊断对于抑制事故发生,减少经济损失具有重要的意义,工业过程监控与诊断的自动化、智能化已经成为工业自动控制领域的研究重点之一。随着现代工业检测手段的不断进步,过程数据的采集变得更加实时可靠。基于机器学习和人工智能的故障诊断方法由于不依赖于精确的数学模型,引起了流程工业故障诊断领域专家学者的高度重视。同时,由于流程工业的复杂性,存在大量的未标记过程状态数据。如何将这些未标记的数据应用到故障诊断领域正受到越来越多的关注。本文研究的基于改进半监督支持向量机(Support vector machine, SVM)算法的流程工业故障诊断方法,就是将机器学习和人工智能领域的支持向量机和半监督学习思想用于实时故障诊断领域。本文研究了支持向量机原理。将半监督学习思想与支持向量机结合,提出了改进的半监督支持向量机算法,新算法将工业过程中无标记样本引入到支持向量机诊断模型的建立过程中,给出了新的无标记样本选择机制,解决了诊断数据不平衡问题,可动态修改支持向量机超平面,提高了故障诊断率。针对现代流程工业的特点和需要,将本文提出的故障诊断新方法——基于改进半监督SVM的故障诊断方法应用于典型的高炉冶炼过程和田纳西(Tennessee Eastman Process, TE)化工过程。进行了大量的实验,并与其他SVM故障诊断方法进行了对比,实验结果表明了本文新的半监督支持向量机方法在利用无标记样本、改善分类器性能上的优势以及应用于流程工业故障诊断领域的有效性和可行性。开发了高炉故障诊断系统,在Windows XP环境下,采用组态王6.53、VB6.0与SQL Server2000相结合,根据实际生产需要,详细设计了系统各功能模块,实现了基于改进半监督SVM算法的高炉故障诊断系统。所开发的系统功能丰富,实用性较强。

关键词：流程工业故障诊断半监督支持向量机无标记样本数据不平衡高炉炉况 TE过程

来源：评论

学校读者我要写书评

暂无评论

基于关键词的文本分类研究

基于关键词的文本分类研究

引用

作者：邱强西北农林科技大学

学位级别：硕士

随着互联网的高速发展,各种电子文档飞速增长,为了有效地管理和组织这些海量信息,文本分类技术应运而生。然而,传统的监督学习算法需要标记大量的训练样本来建立满意的分类器。一方面,标记大量的训练样本是一项代价昂贵且单调枯燥的过程... 详细信息

随着互联网的高速发展,各种电子文档飞速增长,为了有效地管理和组织这些海量信息,文本分类技术应运而生。然而,传统的监督学习算法需要标记大量的训练样本来建立满意的分类器。一方面,标记大量的训练样本是一项代价昂贵且单调枯燥的过程;另一方面,人们容易获得大量的未标记样本。当前,克服标记瓶颈问题是文本分类中的热点研究领域。为了减少人工标记样本的代价,本文提出了通过关键词和未标记样本建立分类器的新方法。首先,借助知网对关键词进行语义扩展,从未标记文档中检索相关文档;其次,从检索到的文档中,采用关联规则算法去除不相关文档,标记部分正例样本;然后,借助已标记的部分正例样本,从未标记样本中抽取更多的正例样本;最后,基于抽取出的正例样本和未标记样本建立分类器。通过与标记部分正例样本的PU学习算法对比,实验证明该方法能够建立性能较好的分类器。鉴于维基百科丰富的知识,本文提出了通过关键词和维基百科知识建立分类器的新方法。首先,通过关键词从维基百科中找出与之相关的维基百科文档;其次,通过得到的维基百科文档从未标记样本中抽取相关的正例样本;最后,基于抽取出的正例样本和未标记样本构造分类器。通过与全标记训练样本的NB学习算法和仅标记正例样本的NB-SVM学习算法对比,实验证明这种方法构建的分类器性能与全标注的NB学习算法性能相当,好于仅标注部分正例的NB-SVM学习算法性能。在现实的文本分类应用中,人们常常面对无任何标记样本的情况。本文提出的两种基于关键词的文本分类新方法不需要人工标记训练样本,比较适用于现实的文本分类应用中。本文提出的方法能提高文本分类技术的易用和实用性。

关键词：文本分类知网维基百科关键词无标记样本

来源：评论

学校读者我要写书评

暂无评论

基于半监督学习的中文问句分类研究

基于半监督学习的中文问句分类研究

引用

作者：赵全昆明理工大学

学位级别：硕士

问句分类是问答系统中很重要的一个组成模块,是问答系统处理的基础与核心,分类准确性直接影响问答系统的性能。目前很多研究主要集中在有监督学习问句分类研究,并已经取得比较好的效果。但在现实应用中,对大量的样本数据进行人工标记是... 详细信息

问句分类是问答系统中很重要的一个组成模块,是问答系统处理的基础与核心,分类准确性直接影响问答系统的性能。目前很多研究主要集中在有监督学习问句分类研究,并已经取得比较好的效果。但在现实应用中,对大量的样本数据进行人工标记是代价高昂的,本文围绕基于半监督学习的问句分类展开研究,取得了以下成果：首先,提出了一种面向问句分类的特征提取方法。采用特征向量来表示问句特征,从语料库中选取高频关键词、领域词汇及疑问词作为特征向量的特征项,通过句法依存分析,提取问句主干词,利用语义相似度计算方法,计算这些词与特征项的相似度,获得其特征值,以构建问句特征向量。其次,提出了基于半监督学习的问句分类方法。该方法在问句特征提取的基础上,采用具有协同训练的Co-forest学习算法,利用已标记的问句样本对无标记的问句样本进行标记,并选取高置信的新标记问句添加入已标记的问句样本中,以此构建问句分类模型。该方法在云南旅游领域5个大类和23个小类的分类实验中比监督学习方法准确率分别提高了8.28个百分比和1.19百分比,结果表明提出的方法能够有效利用无标记样本提高问句分类的准确率。最后,在云南旅游领域问句语料库的基础上,设计并实现了中文问句分类原型系统,并在实验的基础上,对问句分类器进行评测。

关键词：问句分类特征提取语义相似度标记样本无标记样本半监督学习协同训练 Co-forest算法

来源：评论

学校读者我要写书评

暂无评论

协同训练样本的动态元反射机制研究

协同训练样本的动态元反射机制研究

引用

第八届中国Rough集与软计算、第二届中国Web智能、第二届中国粒计算联合会议(CRSSC-CWI-CGrC'2008)

作者：张艳红孙超上海交通大学软件学院上海 200030

本文在半监督学习领域中,在对无标记的协同训练样本研究的前提下,引入了动态因素的概念,并将其作为无标记样本的等同条件.在此基础上,使用了面向方面的方法和上下文环境协同的方法,分析了对无标记样本的学习过程,进行了实时学习过程中... 详细信息

本文在半监督学习领域中,在对无标记的协同训练样本研究的前提下,引入了动态因素的概念,并将其作为无标记样本的等同条件.在此基础上,使用了面向方面的方法和上下文环境协同的方法,分析了对无标记样本的学习过程,进行了实时学习过程中的性能测试,得到了可靠详细的数据.这些方法应用在了虚拟教室的项目当中,为半监督学习技术的应用起到了一定的示范作用.

关键词：协同学习动态元反射机制半监督学习无标记样本面向方面上下文环境

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：