检索结果-内蒙古大学图书馆

计算机研究与发展 2009年第7期46卷 1206-1216页

作者：付忠良中国科学院成都计算机应用研究所成都610041

通过多个分类器的组合来提升分类精度是机器学习领域主要研究内容,弱学习定理保证了这种研究的可行性.分类器的线性组合,也即加权投票,是最常用的组合方法,其中广泛使用的AdaBoost算法和Bagging算法就是采取的加权投票.分类器组合的有... 详细信息

通过多个分类器的组合来提升分类精度是机器学习领域主要研究内容,弱学习定理保证了这种研究的可行性.分类器的线性组合,也即加权投票,是最常用的组合方法,其中广泛使用的AdaBoost算法和Bagging算法就是采取的加权投票.分类器组合的有效性问题以及最佳组合问题均需要解决.在各单个分类器互不相关和分类器数量较多条件下,得到了分类器组合有效的组合系数选取条件以及最佳组合系数公式,给出了组合分类器的误差分析.结论表明,当各分类器分类错误率有统一的边界时,即使采取简单投票,也能确保组合分类器分类错误率随分类器个数增加而以指数级降低.在此基础上,仿照AdaBoost算法,提出了一些新的集成学习算法,特别是提出了直接面向组合分类器分类精度快速提升这一目标的集成学习算法,分析并指出了这种算法的合理性和科学性,它是对传统的以错误率最低为目标的分类器训练与选取方法的延伸和扩展.从另一个角度证明了AdaBoost算法中采用的组合不仅有效,而且在一定条件下等效于最佳组合.针对多分类问题,得到了与二分类问题类似的分类器组合理论与结论,包括组合有效条件、最佳组合、误差估计等.还对AdaBoost算法进行了一定的扩展.

关键词：分类器组合组合问题线性组合 AdaBoost算法 Bagging算法组合分类器机器学习分类精度

来源：评论

学校读者我要写书评

暂无评论

通用集成学习算法的构造

引用

计算机研究与发展 2013年第4期50卷 861-872页

作者：付忠良中国科学院成都计算机应用研究所成都610041

集成学习算法的构造属于机器学习领域的重要研究内容,尽管弱学习定理指出了弱学习算法与强学习算法是等价的,但如何构造好的集成学习算法仍然是一个未得到很好解决的问题.Freund和Schapire提出的AdaBoost算法和Schapire和Singer提出的连... 详细信息

集成学习算法的构造属于机器学习领域的重要研究内容,尽管弱学习定理指出了弱学习算法与强学习算法是等价的,但如何构造好的集成学习算法仍然是一个未得到很好解决的问题.Freund和Schapire提出的AdaBoost算法和Schapire和Singer提出的连续AdaBoost算法部分解决了该问题.提出了一种学习错误定义,以这种学习错误最小化为目标,提出了一种通用的集成学习算法,算法可以解决目前绝大多数分类需求的学习问题,如多分类、代价敏感分类、不平衡分类、多标签分类、模糊分类等问题,算法还对AdaBoost系列算法进行了统一和推广.从保证组合预测函数的泛化能力出发,提出了算法中的简单预测函数可统一基于样本的单个特征来构造.理论分析和实验结论均表明,提出的系列算法的学习错误可以任意小,同时又不用担心出现过学习现象.

关键词：集成学习机器学习 AdaBoost算法多分类问题泛化能力

来源：评论

学校读者我要写书评

暂无评论

关于AdaBoost有效性的分析

引用

计算机研究与发展 2008年第10期45卷 1747-1755页

作者：付忠良中国科学院成都计算机应用研究所成都610041

在机器学习领域,弱学习定理指明只要能够寻找到比随机猜测略好的弱学习算法,则可以通过一定方式,构造出任意误差精度的强学习算法.基于该理论下最常用的方法有AdaBoost和***和Bagging的误差分析还不统一;AdaBoost使用的训练误差并不是... 详细信息

在机器学习领域,弱学习定理指明只要能够寻找到比随机猜测略好的弱学习算法,则可以通过一定方式,构造出任意误差精度的强学习算法.基于该理论下最常用的方法有AdaBoost和***和Bagging的误差分析还不统一;AdaBoost使用的训练误差并不是真正的训练误差,而是基于样本权值的一种误差,是否合理需要解释;确保AdaBoost有效的条件也需要有直观的解释以便使用.在调整Bagging错误率并采取加权投票法后,对AdaBoost和Bagging的算法流程和误差分析进行了统一,在基于大数定理对弱学习定理进行解释与证明基础之上,对AdaBoost的有效性进行了分析.指出AdaBoost采取的样本权值调整策略其目的是确保正确分类样本分布的均匀性,其使用的训练误差与真正的训练误差概率是相等的,并指出了为确保AdaBoost的有效性在训练弱学习算法时需要遵循的原则,不仅对AdaBoost的有效性进行了解释,还为构造新集成学习算法提供了方法.还仿照AdaBoost对Bagging的训练集选取策略提出了一些建议.

关键词：机器学习弱学习定理大数定理 AdaBoost Bagging

来源：评论

学校读者我要写书评

暂无评论

一类半正定多项式的平方和分解及其表达式的自动生成

引用

计算机学报 2006年第10期29卷 1862-1868页

作者：姚勇冯勇中国科学院成都计算机应用研究所成都610041

建立了一个把半正定稀疏多项式表为多项式平方和的算法.这一算法依赖于Hilbert第17问题的一系列经典研究结果以及实闭域上量词消去的柱形代数剖分算法.该算法的机器实现为一类代数不等式可读性证明的自动生成提供了一种非常自然的途径.

关键词：平方和分解柱形代数剖分 Gram矩阵方法 Hilbert 17问题

来源：评论

学校读者我要写书评

暂无评论

基于降维的并行符号行列式计算

引用

四川大学学报（工程科学版） 2007年第2期39卷 133-139页

作者：李轶中科院成都计算机应用研究所四川成都610041

为了更有效地计算科学与工程领域所涉及的大量符号行列式计算,基于降维算法和并行行列式计算,呈现了一个混合的符号行列式计算算法。新算法将多变元的符号行列式转化为仅有两个变元的并行行列式计算。更重要的是,新算法大大提高了原并... 详细信息

为了更有效地计算科学与工程领域所涉及的大量符号行列式计算,基于降维算法和并行行列式计算,呈现了一个混合的符号行列式计算算法。新算法将多变元的符号行列式转化为仅有两个变元的并行行列式计算。更重要的是,新算法大大提高了原并行算法的并行度。实验结果表明,新算法有效地减少了中间过程的膨胀,因此更能处理多变元的且阶数较高的符号行列式。

关键词：符号行列式降维算法并行计算结式

来源：评论

学校读者我要写书评

暂无评论

不平衡多分类问题的连续AdaBoost算法研究

引用

计算机研究与发展 2011年第12期48卷 2326-2333页

作者：付忠良中国科学院成都计算机应用研究所成都610041

现有AdaBoost系列算法一般没有考虑类的先验分布.针对该问题,基于最小化训练错误率,通过把符号函数表示的训练错误率的极值问题转变成一种指数函数的极值问题,提出了不平衡分类问题连续AdaBoost算法,给出了该算法的近似误差估计.基于同... 详细信息

现有AdaBoost系列算法一般没有考虑类的先验分布.针对该问题,基于最小化训练错误率,通过把符号函数表示的训练错误率的极值问题转变成一种指数函数的极值问题,提出了不平衡分类问题连续AdaBoost算法,给出了该算法的近似误差估计.基于同样的方法,对二分类问题连续AdaBoost算法的合理性给出了一种全新的解释和证明,并推广到多分类问题,得到了多分类问题连续AdaBoost算法,其具有与二分类连续AdaBoost算法完全类似的算法流程.经分析该算法与Bayes统计推断方法等价,并且其训练错误率随着训练的分类器个数增加而减小.理论分析和基于UCI数据集的实验结果表明了不平衡多分类算法的有效性.在连续AdaBoost算法中,不平衡分类问题常被转换成平衡分类问题来处理,但当先验分布极度不平衡时,使用提出的不平衡分类问题连续AdaBoost算法比一般连续AdaBoost算法有更好效果.

关键词：不平衡分类连续AdaBoost 代价敏感学习多分类先验分布

来源：评论

学校读者我要写书评

暂无评论

多标签代价敏感分类集成学习算法

引用

自动化学报 2014年第6期40卷 1075-1085页

作者：付忠良中国科学院成都计算机应用研究所成都610041

尽管多标签分类问题可以转换成一般多分类问题解决,但多标签代价敏感分类问题却很难转换成多类代价敏感分类问题.通过对多分类代价敏感学习算法扩展为多标签代价敏感学习算法时遇到的一些问题进行分析,提出了一种多标签代价敏感分类集... 详细信息

尽管多标签分类问题可以转换成一般多分类问题解决,但多标签代价敏感分类问题却很难转换成多类代价敏感分类问题.通过对多分类代价敏感学习算法扩展为多标签代价敏感学习算法时遇到的一些问题进行分析,提出了一种多标签代价敏感分类集成学习算法.算法的平均错分代价为误检标签代价和漏检标签代价之和,算法的流程类似于自适应提升(Adaptive boosting,AdaBoost)算法,其可以自动学习多个弱分类器来组合成强分类器,强分类器的平均错分代价将随着弱分类器增加而逐渐降低.详细分析了多标签代价敏感分类集成学习算法和多类代价敏感AdaBoost算法的区别,包括输出标签的依据和错分代价的含义.不同于通常的多类代价敏感分类问题,多标签代价敏感分类问题的错分代价要受到一定的限制,详细分析并给出了具体的限制条件.简化该算法得到了一种多标签AdaBoost算法和一种多类代价敏感AdaBoost算法.理论分析和实验结果均表明提出的多标签代价敏感分类集成学习算法是有效的,该算法能实现平均错分代价的最小化.特别地,对于不同类错分代价相差较大的多分类问题,该算法的效果明显好于已有的多类代价敏感AdaBoost算法.

关键词：多标签分类代价敏感学习集成学习自适应提升算法多分类

来源：评论

学校读者我要写书评

暂无评论

计算机半结构化数据源的数据挖掘技术研究

引用

哈尔滨工业大学学报 2005年第10期37卷 1363-1365,1369页

作者：何月顺丁秋林南京航空航天大学计算机应用研究所

W eb是一个动态性极强的信息源,要访问、分析这些信息必须要研究异构数据的集成问题和选择合适的技术进行数据分析、集成和处理.介绍了多数据源数据仓库体系结构,分析了转换器在面向W eb的数据挖掘中存在的不足和XML语言的技术特点;提... 详细信息

W eb是一个动态性极强的信息源,要访问、分析这些信息必须要研究异构数据的集成问题和选择合适的技术进行数据分析、集成和处理.介绍了多数据源数据仓库体系结构,分析了转换器在面向W eb的数据挖掘中存在的不足和XML语言的技术特点;提出了多数据源数据的集成思想和实现的框架以及基于半结构化数据源的数据挖掘方法,提出了应用XML技术对多数据源数据进行集成与转换以便构建数据仓库的方法,同时给出了实现的关键技术.

关键词：数据仓库数据挖掘异构数据半结构化

来源：评论

学校读者我要写书评

暂无评论

场强型高压带电显示装置

引用

高压电器 2005年第5期41卷 383-384页

作者：许一声李梅君福州新益计算机应用研究所福建福州350002

概述了场强型高压带电显示装置研制的背景、原理、结构及其性能特点,经例行试验和装机试运行表明,该产品克服了早期感应式高压带电显示器的抗干扰能力弱和支柱绝缘子式高压带电显示装置的直接接触高压带电体的不安全、易击穿的缺点。适... 详细信息

概述了场强型高压带电显示装置研制的背景、原理、结构及其性能特点,经例行试验和装机试运行表明,该产品克服了早期感应式高压带电显示器的抗干扰能力弱和支柱绝缘子式高压带电显示装置的直接接触高压带电体的不安全、易击穿的缺点。适用于户内高压电气设备防止电气误操作。

关键词：场强型探头高压带电显示

来源：评论

学校读者我要写书评

暂无评论

基于预处理和区间计算的非线性方程组实根求解(英文)

引用

四川大学学报（工程科学版） 2004年第5期36卷 86-93页

作者：李耀辉薛继伟冯勇中国科学院成都计算机应用研究所

提出了利用混合方法进行多变元非线性方程组实根求解的算法。该方法与符号计算方法相比,最大优点是不需要将非线性方程组三角化,并且可以求出指定区间内达到任意精度的全部实根。在求解过程中,首先采用区间压缩、因式分解和去除重因子... 详细信息

提出了利用混合方法进行多变元非线性方程组实根求解的算法。该方法与符号计算方法相比,最大优点是不需要将非线性方程组三角化,并且可以求出指定区间内达到任意精度的全部实根。在求解过程中,首先采用区间压缩、因式分解和去除重因子等方法对非线性方程组进行预处理。然后,采用区间二分法对给定的区间矢量进行二分并判断每个区间是否有解。如果区间内无解,将该区间舍弃;否则使用带有符号预处理的区间Gauss Seidel方法进一步对区间缩小。当根区间达到所要求精度时则输出该区间;反之,重复上述过程继续进行二分和迭代计算。在算法中,由于采用了区间二分法和区间扩展除法,可以对根可能存在的区间进行判断从而求出多变元非线性方程组的全部实根。另外,通过实例对该算法的求根情况和效率进行例证。最后,指出了进行实根求解下一步所要解决的问题。该方法可有效解决工程实践中的一些较为复杂的非线性问题。

关键词：非线性方程组预处理因式分解区间计算 Gauss-Seidel方法符号计算

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：