模式识别与人工智能
模式識彆與人工智能
모식식별여인공지능
Moshi Shibie yu Rengong Zhineng
2012年
2期
292-299
,共8页
属性权值%概念漂移%集成分类器%同质性%K均值聚类%半监督学习%数据流分类
屬性權值%概唸漂移%集成分類器%同質性%K均值聚類%半鑑督學習%數據流分類
속성권치%개념표이%집성분류기%동질성%K균치취류%반감독학습%수거류분류
已有的数据流分类算法多采用有监督学习,需要使用大量已标记数据训练分类器,而获取已标记数据的成本很高,算法缺乏实用性.针对此问题,文中提出基于半监督学习的集成分类算法SEClass,能利用少量已标记数据和大量未标记数据,训练和更新集成分类器,并使用多数投票方式对测试数据进行分类.实验结果表明,使用同样数量的已标记训练数据,SEClass算法与最新的有监督集成分类算法相比,其准确率平均高5.33％.且运算时间随属性维度和类标签数量的增加呈线性增长,能够适用于高维、高速数据流分类问题.
已有的數據流分類算法多採用有鑑督學習,需要使用大量已標記數據訓練分類器,而穫取已標記數據的成本很高,算法缺乏實用性.針對此問題,文中提齣基于半鑑督學習的集成分類算法SEClass,能利用少量已標記數據和大量未標記數據,訓練和更新集成分類器,併使用多數投票方式對測試數據進行分類.實驗結果錶明,使用同樣數量的已標記訓練數據,SEClass算法與最新的有鑑督集成分類算法相比,其準確率平均高5.33％.且運算時間隨屬性維度和類標籤數量的增加呈線性增長,能夠適用于高維、高速數據流分類問題.
이유적수거류분류산법다채용유감독학습,수요사용대량이표기수거훈련분류기,이획취이표기수거적성본흔고,산법결핍실용성.침대차문제,문중제출기우반감독학습적집성분류산법SEClass,능이용소량이표기수거화대량미표기수거,훈련화경신집성분류기,병사용다수투표방식대측시수거진행분류.실험결과표명,사용동양수량적이표기훈련수거,SEClass산법여최신적유감독집성분류산법상비,기준학솔평균고5.33％.차운산시간수속성유도화류표첨수량적증가정선성증장,능구괄용우고유、고속수거류분류문제.
