计算机科学
計算機科學
계산궤과학
COMPUTER SCIENCE
2014年
9期
239-242
,共4页
大数据%机器学习%在线特征提取%算法
大數據%機器學習%在線特徵提取%算法
대수거%궤기학습%재선특정제취%산법
Big data%Machine learning%Online feature extraction%Algorithm
在大数据环境下,当利用机器学习算法对训练样本进行分类时,训练数据的高维度严重制约了分类算法的性能.文中应用L1准则的稀疏性,提出了一种在线特征提取算法,并用该算法对训练实例进行分类.利用公开数据集对算法的性能进行了分析,结果表明,提出的在线特征提取算法能准确地对训练实例进行分类,因而能更好地适用于大数据环境下的数据挖掘.
在大數據環境下,噹利用機器學習算法對訓練樣本進行分類時,訓練數據的高維度嚴重製約瞭分類算法的性能.文中應用L1準則的稀疏性,提齣瞭一種在線特徵提取算法,併用該算法對訓練實例進行分類.利用公開數據集對算法的性能進行瞭分析,結果錶明,提齣的在線特徵提取算法能準確地對訓練實例進行分類,因而能更好地適用于大數據環境下的數據挖掘.
재대수거배경하,당이용궤기학습산법대훈련양본진행분류시,훈련수거적고유도엄중제약료분류산법적성능.문중응용L1준칙적희소성,제출료일충재선특정제취산법,병용해산법대훈련실례진행분류.이용공개수거집대산법적성능진행료분석,결과표명,제출적재선특정제취산법능준학지대훈련실례진행분류,인이능경호지괄용우대수거배경하적수거알굴.
