检索结果-内蒙古大学图书馆

boosting算法结合SMOTE技术在青年男男性行为者HIV感染预测中的应用

中国卫生统计 2022年第1期39卷 31-35页

作者：王肖萌宋德胜张甜甜常琴雪王淳王柯云刘媛媛李长平崔壮马骏天津医科大学公共卫生学院流行病与卫生统计学系 300070

目的评价boosting算法结合SMOTE技术预测青年男男性行为者(YMSM)HIV感染状况的性能。方法通过网络和现场抽取2018-2019年天津市YMSM 1179名,分别用XGBoost、LightGBM、CatBoost和logistic结合SMOTE技术建立预测模型,通过AUC、F1、Accuracy、Brier score等指标评价其分类性能。结果应用SMOTE合成数据后,logistic、CatBoost、LightGBM和XGBoost的AUC分别提升了23.4%、24.0%、25.4%和26.8%,boosting算法的分类性能优于logistic模型。结论boosting算法结合SMOTE技术为类不平衡数据的分类预测提供了新思路。

关键词： boosting算法 SMOTE 青年男男性行为者 HIV

来源：评论

学校读者我要写书评

暂无评论

boosting算法在群体遗传学中的应用

Boosting算法在群体遗传学中的应用

引用

作者：林栲中国科学院大学

学位级别：博士

本文对boosting算法在群体遗传学中的应用进行了探讨。群体遗传学需要研究各种进化力量对群体遗传结构的影响。如何从群体DNA样本数据中区分正选择和中性进化，以及如何估算遗传重组率，都是群体遗传学中的重要课题。在近几十年的研究... 详细信息

本文对boosting算法在群体遗传学中的应用进行了探讨。群体遗传学需要研究各种进化力量对群体遗传结构的影响。如何从群体DNA样本数据中区分正选择和中性进化，以及如何估算遗传重组率，都是群体遗传学中的重要课题。在近几十年的研究中，人们对自然选择的判断往往会受到种群历史的干扰，而对遗传重组率的估算则不够准确或需要耗费大量的计算量。利用一种机器学习算法----boosting算法，可以有机地结合多个统计量或选出最有效的统计量。我们从一个群体中若干个体样本的DNA序列数据中计算出能够代表其各种特征的汇总统计量，然后利用这些统计量对群体经历的进化事件进行推断。模拟数据的结果表明，在正选择的检验中，boosting算法比经典的单个汇总统计量以及另一种基于支持向量机的方法更有效。我们也将boosting算法应用在了一组真实的玉米数据上并检测出了正选择信号，跟前人的研究结论一致。在重组率的估算中，boosting估算的准确率跟似然估计相似，但只需要极少的计算量。

关键词：群体遗传遗传重组率计算生物学 boosting算法

来源：评论

学校读者我要写书评

暂无评论

boosting算法在基因表达谱样本分类中的应用

引用

计算机工程与应用 2008年第14期44卷 228-230,238页

作者：刘全金李颖新安庆师范学院物理与电气工程学院安徽安庆246011 北京经纬纺机新技术有限公司CCD部北京100176

基于基因表达谱结构提出一种基因表达谱的样本分类方法。首先用基因的Bhattacharyya距离衡量其所含样本类别的信息,过滤Bhattacharyya距离较小的噪声基因;然后修改重复剪辑近邻算法,剔除噪声样本;再基于boosting算法构建支持向量机组合... 详细信息

基于基因表达谱结构提出一种基因表达谱的样本分类方法。首先用基因的Bhattacharyya距离衡量其所含样本类别的信息,过滤Bhattacharyya距离较小的噪声基因;然后修改重复剪辑近邻算法,剔除噪声样本;再基于boosting算法构建支持向量机组合分类器;最后以结肠癌基因表达谱样本为例,进行了分类实验。实验结果表明该方法简单、有效,对基因表达谱样本的分类问题有强的实用性。

关键词： Bhattacharyya距离重复剪辑近邻法 boosting算法

来源：评论

学校读者我要写书评

暂无评论

boosting算法的改进及其在视觉目标检测中的应用研究

Boosting算法的改进及其在视觉目标检测中的应用研究

引用

作者：李秋洁南京理工大学

学位级别：博士

boosting是一类提高弱学习算法精度的强学习算法,具有坚实的理论基础,凭借其高效、易用和良好的泛化性能被广泛应用于模式识别的各个领域,尤其在Viola和Jones提出“Haar矩形特征+AdaBoost+级联检测器”后,“底层特征+boosting”视觉目... 详细信息

boosting是一类提高弱学习算法精度的强学习算法,具有坚实的理论基础,凭借其高效、易用和良好的泛化性能被广泛应用于模式识别的各个领域,尤其在Viola和Jones提出“Haar矩形特征+AdaBoost+级联检测器”后,“底层特征+boosting”视觉目标检测框架成为迄今解决视觉目标检测的一条最有效的途径。\n 本文研究boosting算法的改进及其在视觉目标检测中的应用,综述boosting算法的研究现状,提出三种解决不平衡数据分类问题的boosting改进算法,并对“底层特征斗+boosting”视觉目标检测框架进行改进和应用推广。\n 不平衡数据分类问题强调少数类的分类精度,而boosting算法最小化数据的整体分类错误率上界,对少数类的分类效果较差。现有改进方案被本文归纳为数据采样法和代价敏感法两类:数据采样法每轮迭代使用过采样/欠采样降低类别不平衡程度,但算法计算量大,采样过程容易引入噪声或丢失有用数据信息;代价敏感法对少数类赋予较高的误分代价,使得分类器向其倾斜,但算法大多为启发式,并存在代价因子较大时算法性能显著下降的问题,缺少一个理论框架来解释其有效性。本文从代价敏感学习、采样、AUC优化三个角度研究针对不平衡数据分类问题的boosting改进算法,分别完成了:(1)提出代价敏感boosting的理论框架,揭示并解释现有算法存在的不稳定问题,并给出稳定的新算法。本文从统计学角度指出代价敏感boosting实质是通过优化某种代价敏感准则拟合非对称logistic回归模型,现有算法采用随迭代次数指数增长的代价因子,导致代价因子较大时算法性能显著下降。本文提出采用一致代价因子的代价敏感boosting算法***和***,在UCI不平衡数据集、人脸数据集、车牌数据集上的实验表明,对于不平衡数据分类问题,新算法优于原始boosting和现有代价敏感boosting:(2)分类边界附近的样本对分类器性能起着关键作用,受这一思想的启发,提出基于边界少数类样本过采样的边界采样boosting算法。与数据采样法不同,采样结果通过样本权重反映,并不产生或删除数据,从而避免噪声引入和有用信息丢失。新算法融合数据采样法和代价敏感法的优点,高效、适应性强,在UCI不平衡数据集上的实验表明,新算法优于原始boosting和代价敏感boosting;(3)AUC是不平衡数据分类问题中的一个常用评估指标,提出一种最优化AUC的boosting算法,从全新的角度研究基于boosting的不平衡数据分类问题。通过分析AUC与分类错误率的关系,指出平衡类别分布是将最大化AUC与最小化分类错误率等价的关键,基于此思想提出RcbalanccdBoost。新算法每轮迭代前先平衡类别分布,可证明其学习目标为最大化AUC下界。在UCI不平衡数据集上的实验表明,在AUC测度下新算法优于原始boosting算法。\n “底层特征+boosting”框架已成为视觉目标检测领域的一个标准方法,一直以来,研究者们从特征提取和学习算法两方面进行改进。本文指出框架仍存在一个根本性的问题——特征失配,亟待解决。由于特征大多从图像的固定位置提取,受到目标姿态多样性、局部变形等因素的影响,不同目标实例中同一特征所在位置可能不同,从而影响最终检测器的性能。针对特征失配问题,本文提出基于多配置特征包的boosting算法。用多配置特征包模拟不同的特征失配情况,由boosting算法选择出最优特征包和相应配置,构成目标分类器。弱分类器学习时,引入多示例学习的思想,将特征包分类器学习转化为单个特征分类器的学习。在人脸数据集上的实验表明,基于多配置特征包的boosting算法能获得更快的收敛速度和更好的检测性能。此外,本文将“底层特征+boosting”视觉目标检测框架应用于解决具体的计算机视觉问题,主要包括:(1)图像CAPTCHA破解。图像CAPTCHA ARTiFACIAL基于人脸和面部特征识别,由于引入背景噪声、光照不均和人脸形变,现有算法破解率不超过0.0006%。\n 本文根据ARTiFACIAL产生机制,设计基于梯度的人脸检测器,并引入面部器官检测器提高人脸配准精度,将ARTiFACIAL的破解成功率提升为18.0%;(2)图像方向检测。图像方向检测可看作区分竖直/非竖直图像的二分类问题。将“底层特征+boosting”框架与bagging相结合,提出一种可扩展的图像方向检测器。与现有算法相比,新算法具有可扩展性,在确保检测精度的同时极大地降低了训练和检测的复杂度。\n 本文最后给出可进一步展开的研究工作,指明后续的研究方向。

关键词： boosting算法视觉目标目标检测特征失配人脸检测

来源：评论

学校读者我要写书评

暂无评论

boosting算法的一致性

Boosting算法的一致性

引用

作者：唐轶湖北大学

学位级别：硕士

boosting算法是近年来最流行的分类算法之一.它能提升任意给定分类算法的分类精度.该算法的统计性质是近年来的研究热点.本文将重点讨论boosting算法的一致性.\n 第一节，介绍了boosting算法的发展过程.列举了主要的二分类boosting... 详细信息

boosting算法是近年来最流行的分类算法之一.它能提升任意给定分类算法的分类精度.该算法的统计性质是近年来的研究热点.本文将重点讨论boosting算法的一致性.\n 第一节，介绍了boosting算法的发展过程.列举了主要的二分类boosting算法，如AdaBoost.M1算法，LogistBoost算法，实值AdaBoost算法和正则boosting算法.详细介绍了AdaBoost.M1算法的统计性质.介绍了多分类boosting算法的演变过程并给出了一种多分类boosting算法.\n 第二节，讨论了AdaBoost.M1算法满足一致性的充分条件.在样本集可分的条件下，可以证明以线性分类器为弱分类器的AdaBoost.M1算法具有一致性.利用几何差异，可以估计AdaBoost.M1算法每次迭代得到的线性弱分类器的加权经验误差.据此可证明，当AdaBoost.M1算法的迭代次数充分大时，算法生成的分类器会随着样本容量的增大而收敛到最优分类器.\n 第三节，讨论了正则boosting算法满足一致性的充分条件并求出了一种具体的正则boosting算法的收敛速度.对于正则boosting算法，根据比较定理，得到了其具有一致性的充分条件.进而研究了以凸损失max(1-x，0)2为损失函数的正则boosting算法的收敛速度.\n 第四节，讨论了多分类boosting算法满足一致性的充分条件.当多分类模型满足无限样本一致性时，得到了多分类Bosoting算法满足一致性的充分条件.\n 最后一节总结了本文的主要内容并提出了进一步的研究方向.

关键词： boosting算法几何差异无限样本一致性 Rademacher平均分类算法分类精度

来源：评论

学校读者我要写书评

暂无评论

基于boosting算法的垃圾邮件过滤方法研究

引用

北京理工大学学报 2013年第1期33卷 79-83页

作者：柴宝仁谷文成牛占云周宏君王克生齐齐哈尔大学应用技术学院黑龙江齐齐哈尔161006 齐齐哈尔大学网络信息中心黑龙江齐齐哈尔161006 北京首都国际机场股份有限公司北京100621 林甸县第一中学黑龙江大庆166300

为解决垃圾邮件过滤的精确度和有效性问题,提出了一种基于邮件内容过滤的垃圾邮件过滤方法,该方法采用boosting算法构造了一种垃圾邮件过滤器,利用该垃圾邮件过滤器实现对垃圾邮件的过滤.本文借鉴文本分类和信息检索领域所使用的评价指... 详细信息

为解决垃圾邮件过滤的精确度和有效性问题,提出了一种基于邮件内容过滤的垃圾邮件过滤方法,该方法采用boosting算法构造了一种垃圾邮件过滤器,利用该垃圾邮件过滤器实现对垃圾邮件的过滤.本文借鉴文本分类和信息检索领域所使用的评价指标,构建了垃圾邮件过滤器的评价体系,利用该评价体系,针对基于boosting算法所构造的垃圾邮件过滤器对垃圾邮件的过滤实验所得到的数据进行了测试和评估,测试和评估的结果验证了boosting算法在垃圾邮件过滤中的有效性,其性能优于传统的贝叶斯算法.

关键词： boosting算法垃圾邮件过滤分类器评价

来源：评论

学校读者我要写书评

暂无评论

boosting算法研究及在人脸检测中的应用

Boosting算法研究及在人脸检测中的应用

引用

作者：朱文球中南大学

学位级别：硕士

集成学习算法是通过训练多个弱学习算法并将其结合成一个强学习算法，通过这种结合方式，能显著提高学习系统的泛化能力。 boosting方法是一个通用的、可以提升任何弱学习算法的集成学习方法，是目前最流行的集成学习方法之一，是集... 详细信息

集成学习算法是通过训练多个弱学习算法并将其结合成一个强学习算法，通过这种结合方式，能显著提高学习系统的泛化能力。 boosting方法是一个通用的、可以提升任何弱学习算法的集成学习方法，是目前最流行的集成学习方法之一，是集成学习算法的最主要代表，在国内外得到了广泛的研究和应用，且已经有了多种实用形式。本文详细地分析了boosting方法的理论实质，包括boosting方法不会发生过学习的原因以及boosting方法与SVM的关系，详细地分析了算法的训练误差和系统误差，并从纯数学的角度证明了上述误差的上界。分析了原始算法在训练过程中出现的退化现象，提出了限制权重扩张的改进方法；针对算法易受噪声影响所表现的不稳定性，提出改进稳定性的意见和思路。针对算法在训练过程中非常耗时的问题，提出了将克隆选择算法结合到AdaBoost学习中，利用克隆选择算法快速收敛于全局最优的特性，加快搜索到更好的新的分类特征。\n 本文最后提出一种新的基于链式boosting方法的人脸检测算法，首先用PCA方法对人脸图像进行特征参数的提取，在此基础上，利用算法中的每一个boosting分类器学习的历史信息，基于线性回归特征消除(RFE)策略，消除AdaBoost中的冗余，据此判别一幅图像是否为人脸图像。在ORL人脸图像库的仿真实验结果显示，这种方法明显提高了检测性能，证明了本算法是有效的。

关键词：机器学习集成学习算法人脸检测 boosting算法

来源：评论

学校读者我要写书评

暂无评论

基于特征选择结合boosting算法模型在预测矿工非致命性职业伤害严重等级中的适用性

引用

环境与职业医学 2023年第10期40卷 1115-1120页

作者：莫有桦徐婷孟诗迪朱晓俊樊晶光广东药科大学公共卫生学院广东广州510240 国家卫生健康委职业安全卫生研究中心北京102308

[背景]职业伤害影响因素的识别分析是特征选择的重要研究内容,随着机器学习算法兴起,特征选择结合boosting算法模型构建可为职业伤害预测分析中提供新的分析思路。[目的]探讨基于boosting算法模型在预测矿工非致命性职业伤害严重等级中... 详细信息

[背景]职业伤害影响因素的识别分析是特征选择的重要研究内容,随着机器学习算法兴起,特征选择结合boosting算法模型构建可为职业伤害预测分析中提供新的分析思路。[目的]探讨基于boosting算法模型在预测矿工非致命性职业伤害严重等级中的适用性,为科学合理地预测矿工非致命性职业伤害严重等级提供依据。[方法]应用美国矿山安全与健康管理局(MSHA)2001—2021年金属矿工非致命性职业伤害的公开数据,以损失工作日天数<105 d为轻伤、≥105 d为重伤作为结局变量。通过最小绝对收缩与选择算子算法(Lasso)回归、逐步回归、单因素+Lasso回归、单因素+逐步回归4种特征选择方法分别筛选出4个不同特征集。选择基于boosting思想的梯度提升决策树(GBDT)和极端梯度提升算法(XGBoost)两种模型,应用4个特征集分别训练logistic回归、GBDT、XGBoost三种模型,共形成12种矿工非致命性职业伤害严重等级预测模型,以获取预测模型的曲线下面积(AUC)、灵敏度、特异度、约登指数为主要评价指标。[结果]根据4种不同特征选择方法,年龄、事故发生时间、总工龄、伤害发生原因、伤害发生活动、受伤部位、伤害性质、伤害结局8个特征是影响矿工非致命性职业伤害严重等级的主要影响因素。单因素+逐步回归筛选的特征集4为最优特征集并且其构建的GBDT模型对非致命性职业伤害严重等级预测效能最佳,特异度、灵敏度、约登指数分别为0.7530、0.9490、0.7020。特征集4构建logistic回归、GBDT、XGBoost预测模型的AUC值分别为0.8526(95%CI:0.8387~0.8750)、0.8640(95%CI:0.8474~0.8806)、0.8603(95%CI:0.8439~0.8773),均比逐步回归筛选的特征集2所构建的预测模型AUC值[0.8487(95%CI:0.8203~0.8669)、0.8110(95%CI:0.8012~0.8344)、0.8439(95%CI:0.8245~0.8561)]高,并且特征集4构建GBDT、XGBoost均比logistic回归预测模型AUC值高。[结论]两种特征选择方法比单一特征选择筛选的预测因子构建的预测模型性能更优。同时在最优特征集条件下,基于boosting思想构建的非致命性伤害严重程度预测模型与传统逻辑回归预测模型相比性能更优。

关键词：非致命性职业伤害机器学习 boosting算法特征选择损失工作日

来源：评论

学校读者我要写书评

暂无评论

自适应梯度boosting算法及多硝基芳香族化合物密度的主因子选择

引用

火炸药学报 2011年第2期34卷 12-16页

作者：张海丁毅涛王尧胡荣祖高红旭赵凤起西北大学数学系陕西西安710069 西安交通大学信息科学与系统科学研究所陕西西安710049 西安近代化学研究所陕西西安710065

用自适应梯度boosting算法研究了影响多硝基芳香族化合物(PNACs)密度的主因子。选择分子结构描述码作影响特征参数,采用影响多硝基芳香族化合物密度的分子结构描述码,依据相关影响程度给出了相应分子结构描述码,预测密度值与文献值的相... 详细信息

用自适应梯度boosting算法研究了影响多硝基芳香族化合物(PNACs)密度的主因子。选择分子结构描述码作影响特征参数,采用影响多硝基芳香族化合物密度的分子结构描述码,依据相关影响程度给出了相应分子结构描述码,预测密度值与文献值的相对误差在10%以内。

关键词：学习算法 boosting算法多硝基芳香族化合物主因子

来源：评论

学校读者我要写书评

暂无评论

一种最大化样本可分性半监督boosting算法

引用

南京理工大学学报 2014年第5期38卷 675-681页

作者：侯杰茅耀斌孙金生南京理工大学自动化学院江苏南京210094

针对数据实际分布与假设不匹配时半监督学习算法难以改善分类器性能的问题,该文提出一种最大化样本可分性半监督boosting算法,通过引入"高密度区域局部散度最小、样本空间全局散度最大"准则来学习未标注的样本。该准则使用两... 详细信息

针对数据实际分布与假设不匹配时半监督学习算法难以改善分类器性能的问题,该文提出一种最大化样本可分性半监督boosting算法,通过引入"高密度区域局部散度最小、样本空间全局散度最大"准则来学习未标注的样本。该准则使用两种半监督假设(聚类假设和流形假设),减少了因半监督假设与数据不匹配造成的准确率下降问题。实验结果表明,该文算法有效提高了boosting算法在符合聚类假设数据集和符合流形假设数据集上的准确性,提高了分类器噪声数据的稳定性。

关键词：半监督学习 boosting算法可分性分类器

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：