基于影響函數(shù)的分類算法研究.pdf_第1頁
已閱讀1頁,還剩55頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領

文檔簡介

1、分類是數(shù)據(jù)挖掘中的重要研究課題之一,它廣泛地應用于金融業(yè)、零售業(yè)、電信業(yè)、生物業(yè)等領域,受到了社會的極大關注。分類是一種有監(jiān)督的學習方法,通過對訓練數(shù)據(jù)集學習獲得一個模型從而判定未知樣本的類標號。如何提高分類模型的準確率是分類的核心問題。經(jīng)典的分類算法,如k-近鄰、決策樹歸納、樸素貝葉斯、人工神經(jīng)網(wǎng)絡、支持向量機、基于案例的推理等,這些分類方法基本思想相同:給定訓練樣本集D,通過在D上學習獲得一個分類模型M,由M確定未知樣本x的類標號。

2、這些分類算法都是基于訓練數(shù)據(jù)集學習得到分類器,用其分類未知類標號樣本,即,未知樣本都受到訓練數(shù)據(jù)集的影響。
  在已有經(jīng)典的分類算法的基礎上,論文從新的角度理解分類,提出了一種有效的用于數(shù)據(jù)挖掘分類任務的方法-基于影響函數(shù)的分類方法。算法的關鍵是影響函數(shù)的定義,結(jié)合文中定義的四種影響函數(shù)即:線性影響函數(shù)、平方影響函數(shù)、指數(shù)影響函數(shù)和引力影響函數(shù),在這四種函數(shù)的基礎上提出了四種分類算法CBLIF(Classification Bas

3、ed on Liner Influence Function)、CBSIF(Classification Based on Square Influence Function)、CBEIF(Classification Based on Exponential Influence Function)和CBGIF(Classification Based on Gravity Influence Function),確切地說,基于影響函數(shù)

4、的分類不是一種分類算法,而是一種分類思想。定義不同的影響函數(shù)產(chǎn)生不同的分類算法。我們可以把已有的分類算法統(tǒng)一到一個框架下。當實際問題的類邊界不規(guī)則,很難用簡單函數(shù)表示時,這帶來了很大方便,同時,經(jīng)典的分類算法大都可以歸結(jié)為基于影響函數(shù)的分類方法。
  基于UCI數(shù)據(jù)集上的實驗結(jié)果顯示,本文提出的四種算法CBLIF、CBSIF、CBEIF以及CBGIF相對于傳統(tǒng)的分類算法能夠提高準確率,并且CBEIF與CBGIF通過學習合適的參數(shù)來

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論