南京理工大学学报(自然科学版)
南京理工大學學報(自然科學版)
남경리공대학학보(자연과학판)
JOURNAL OF NANJING UNIVERSITY OF SCIENCE AND TECHNOLOGY
2014年
5期
675-681
,共7页
半监督学习%Boosting算法%可分性%分类器
半鑑督學習%Boosting算法%可分性%分類器
반감독학습%Boosting산법%가분성%분류기
semi-supervised learning%boosting algorithm%separability%classifier
针对数据实际分布与假设不匹配时半监督学习算法难以改善分类器性能的问题,该文提出一种最大化样本可分性半监督Boosting算法,通过引入“高密度区域局部散度最小、样本空间全局散度最大”准则来学习未标注的样本.该准则使用两种半监督假设(聚类假设和流形假设),减少了因半监督假设与数据不匹配造成的准确率下降问题.实验结果表明,该文算法有效提高了Boosting算法在符合聚类假设数据集和符合流形假设数据集上的准确性,提高了分类器噪声数据的稳定性.
針對數據實際分佈與假設不匹配時半鑑督學習算法難以改善分類器性能的問題,該文提齣一種最大化樣本可分性半鑑督Boosting算法,通過引入“高密度區域跼部散度最小、樣本空間全跼散度最大”準則來學習未標註的樣本.該準則使用兩種半鑑督假設(聚類假設和流形假設),減少瞭因半鑑督假設與數據不匹配造成的準確率下降問題.實驗結果錶明,該文算法有效提高瞭Boosting算法在符閤聚類假設數據集和符閤流形假設數據集上的準確性,提高瞭分類器譟聲數據的穩定性.
침대수거실제분포여가설불필배시반감독학습산법난이개선분류기성능적문제,해문제출일충최대화양본가분성반감독Boosting산법,통과인입“고밀도구역국부산도최소、양본공간전국산도최대”준칙래학습미표주적양본.해준칙사용량충반감독가설(취류가설화류형가설),감소료인반감독가설여수거불필배조성적준학솔하강문제.실험결과표명,해문산법유효제고료Boosting산법재부합취류가설수거집화부합류형가설수거집상적준학성,제고료분류기조성수거적은정성.