基于深度學習的分類預測方法研究及應用.pdf

1、深度學習是人工智能的一個重要分支，也是近年來數(shù)據(jù)挖掘的新方向。深度學習脫胎于人工神經(jīng)網(wǎng)絡，其隱藏層層數(shù)比淺層神經(jīng)網(wǎng)絡更多，這也是“深度”一詞的由來。與傳統(tǒng)神經(jīng)網(wǎng)絡不同，深度學習增加了無監(jiān)督學習。深度學習在分類預測的應用上有很大的研究空間。
　　本文的目的是研究深度學習算法在分類預測上的應用，具體應用方向是使用深度學習算法根據(jù)學生開題前的信息預測學生寫出優(yōu)秀論文的可能性。通過本文應用課題的研究，在開題時，學校和導師就可以及時挖掘出有

2、潛力寫出優(yōu)秀畢業(yè)論文的學生，然后用接下來的時間重點培養(yǎng)這些學生。這一分類預測應用研究可以為擅長處理大數(shù)據(jù)和高維數(shù)據(jù)的深度學習算法在面對數(shù)據(jù)集存有缺陷時如何發(fā)揮可行性和優(yōu)越性提供參考。
　　本文使用棧式降噪編碼器這種深度學習算法進行深度學習的應用。棧式降噪編碼器采用多個降噪自動編碼器疊加的形式構成深度學習模型的隱藏層，并使用softmax regression分類器作為深度學習模型的輸出層。算法的核心是先進行無監(jiān)督逐層降噪預訓練，在

3、無監(jiān)督預訓練的基礎上進行有監(jiān)督學習。深度學習應用的輸入樣本來源于學生信息數(shù)據(jù)庫。面對學生信息數(shù)量較少，正負樣本不平衡等問題，本文在數(shù)據(jù)處理經(jīng)驗不足的情況，參考批量學習和在線學習的優(yōu)缺點，充分利用冗余樣本，增大少數(shù)類樣本的比重，解決樣本數(shù)量不足的問題。本文還采用人工重復屬性的方式來增加樣本維度。
　　本文中深度學習的預測結果可以輕易達到90％以上的正確率。本文給出了不同參數(shù)設置下算法具體的分類預測結果，這些結果可以清楚的說明深度學習

4、參數(shù)對分類預測結果的影響。本文還給出了深度學習算法在樣本冗余和屬性增維下的分類預測結果，以此來說明大數(shù)據(jù)和高維數(shù)據(jù)可以給深度學習更大的探索空間。
　　本文使用學生信息數(shù)據(jù)集和不需要進行數(shù)據(jù)處理的UCI機器學習數(shù)據(jù)集作為深度學習的輸入數(shù)據(jù)集。本文通過對比試驗證明了深度學習算法比起純粹的無監(jiān)督學習算法，純粹的有監(jiān)督學習算法，普通的機器學習算法和普通的神經(jīng)網(wǎng)絡算法具有優(yōu)越性。本文還證明了深度學習算法是經(jīng)驗模型。數(shù)據(jù)集的維度越高，樣本數(shù)量