应用气象学报
應用氣象學報
응용기상학보
QUARTERLY JOURNAL OF APPLIED METEOROLOGY
2007年
5期
676-681
,共6页
燕东渭%孙田文%杨艳%方建刚%刘志镜
燕東渭%孫田文%楊豔%方建剛%劉誌鏡
연동위%손전문%양염%방건강%류지경
机器学习%支持向量数据描述(SVDD)%支持向量机(SVM)%暴雨预测
機器學習%支持嚮量數據描述(SVDD)%支持嚮量機(SVM)%暴雨預測
궤기학습%지지향량수거묘술(SVDD)%지지향량궤(SVM)%폭우예측
传统机器学习中通常隐含假设所研究问题是类别平衡的,气象预报中预测灾害天气时就不满足这个假设,这时往往需要预测重要而稀少的正类(少数类).传统机器学习以精度最大化为目标,在遇到不平衡类别问题时,容易训练出把所有实例都分为反类(多数类)的平庸的分类器.支持向量数据描述是从支持向量机(SVM)发展而来的基于核的机器学习方法,只使用一类样本就可以工作,适合于不平衡类别.以铜川暴雨预测作为试验对象,对SVM和支持向量数据描述(SVDD)进行了对比试验.试验结果表明对于这个不平衡类别问题SVDD具有优势.
傳統機器學習中通常隱含假設所研究問題是類彆平衡的,氣象預報中預測災害天氣時就不滿足這箇假設,這時往往需要預測重要而稀少的正類(少數類).傳統機器學習以精度最大化為目標,在遇到不平衡類彆問題時,容易訓練齣把所有實例都分為反類(多數類)的平庸的分類器.支持嚮量數據描述是從支持嚮量機(SVM)髮展而來的基于覈的機器學習方法,隻使用一類樣本就可以工作,適閤于不平衡類彆.以銅川暴雨預測作為試驗對象,對SVM和支持嚮量數據描述(SVDD)進行瞭對比試驗.試驗結果錶明對于這箇不平衡類彆問題SVDD具有優勢.
전통궤기학습중통상은함가설소연구문제시유별평형적,기상예보중예측재해천기시취불만족저개가설,저시왕왕수요예측중요이희소적정류(소수류).전통궤기학습이정도최대화위목표,재우도불평형유별문제시,용역훈련출파소유실례도분위반류(다수류)적평용적분류기.지지향량수거묘술시종지지향량궤(SVM)발전이래적기우핵적궤기학습방법,지사용일류양본취가이공작,괄합우불평형유별.이동천폭우예측작위시험대상,대SVM화지지향량수거묘술(SVDD)진행료대비시험.시험결과표명대우저개불평형유별문제SVDD구유우세.