计算机工程与应用
計算機工程與應用
계산궤공정여응용
COMPUTER ENGINEERING AND APPLICATIONS
2012年
6期
155-157,176
,共4页
半监督分类%Universum方法%线性回归%子空间学习
半鑑督分類%Universum方法%線性迴歸%子空間學習
반감독분류%Universum방법%선성회귀%자공간학습
分类是机器学习领域的重要分支,利用少量的标签数据进行分类和高维数据的分类是近期研究的热点问题.传统的半监督方法能够有效利用标签样本数据或非标签样本数据,但忽略了相关的非样本数据,即Universum.利用Universum的半监督分类算法,基于线性回归和子空间学习模型,结合了传统半监督方法和利用Universum方法两者的优点,在不增加标签数据的条件下显著地提高了高维数据的分类效果.仿真实验和真实数据上的分类结果都验证了算法的有效性.
分類是機器學習領域的重要分支,利用少量的標籤數據進行分類和高維數據的分類是近期研究的熱點問題.傳統的半鑑督方法能夠有效利用標籤樣本數據或非標籤樣本數據,但忽略瞭相關的非樣本數據,即Universum.利用Universum的半鑑督分類算法,基于線性迴歸和子空間學習模型,結閤瞭傳統半鑑督方法和利用Universum方法兩者的優點,在不增加標籤數據的條件下顯著地提高瞭高維數據的分類效果.倣真實驗和真實數據上的分類結果都驗證瞭算法的有效性.
분류시궤기학습영역적중요분지,이용소량적표첨수거진행분류화고유수거적분류시근기연구적열점문제.전통적반감독방법능구유효이용표첨양본수거혹비표첨양본수거,단홀략료상관적비양본수거,즉Universum.이용Universum적반감독분류산법,기우선성회귀화자공간학습모형,결합료전통반감독방법화이용Universum방법량자적우점,재불증가표첨수거적조건하현저지제고료고유수거적분류효과.방진실험화진실수거상적분류결과도험증료산법적유효성.
