CAJ | 학술논문

在选择含信息量大的样本时，基于不确定度缩减的主动学习算法通常会将孤立点一并加入训练集，从而影响分类效果。为此，提出一种基于局部稀疏K近邻密度的主动学习算法，采用近邻密度来判定未标记样本是否为孤立点，并考虑未标记样本周边样本的稀疏程度，减少将非均匀分布样本集中的孤立点当作正常样本点及将正常样本点当作孤立点的错误。典型UCI和人工数据集上的仿真结果表明，与基于密度重排序的主动学习算法相比，所提算法能够取得较好的分类性能。
재선택함신식량대적양본시，기우불학정도축감적주동학습산법통상회장고립점일병가입훈련집，종이영향분류효과。위차，제출일충기우국부희소K근린밀도적주동학습산법，채용근린밀도래판정미표기양본시부위고립점，병고필미표기양본주변양본적희소정도，감소장비균균분포양본집중적고립점당작정상양본점급장정상양본점당작고립점적착오。전형UCI화인공수거집상적방진결과표명，여기우밀도중배서적주동학습산법상비，소제산법능구취득교호적분류성능。