不平衡數(shù)據(jù)分類和極限學(xué)習(xí)機算法研究.pdf

1、隨著科技的發(fā)展，各個行業(yè)都產(chǎn)生了大量的數(shù)據(jù)，為了解決在海量數(shù)據(jù)中獲取有用的信息的問題，數(shù)據(jù)挖掘技術(shù)應(yīng)運而生。機器學(xué)習(xí)是當(dāng)前人工智能領(lǐng)域的熱點研究方向之一，它本身也是一門應(yīng)用驅(qū)動的學(xué)科并推動著數(shù)據(jù)挖掘技術(shù)的發(fā)展。已有的研究成果表明，采用機器學(xué)習(xí)的方法來解決數(shù)據(jù)挖掘中的應(yīng)用問題是一種行之有效的渠道或手段。
　　分類是機器學(xué)習(xí)和數(shù)據(jù)挖掘中的一項重要任務(wù)，在現(xiàn)實生活中也有著廣泛的應(yīng)用。例如，在醫(yī)療診斷、文本分類、詐騙檢測、雷達圖像監(jiān)測、電

2、子設(shè)備故障預(yù)測等領(lǐng)域中分類都具有極高的應(yīng)用前景。目前，研究人員已經(jīng)提出了許多不同的分類學(xué)習(xí)算法，如決策樹、貝葉斯網(wǎng)絡(luò)、人工神經(jīng)網(wǎng)絡(luò)、支持向量機等。
　　集成學(xué)習(xí)使用有限個學(xué)習(xí)器對同一個問題進行學(xué)習(xí)，通過集成方法將它們的預(yù)測結(jié)果進行合成。集成學(xué)習(xí)算法可以顯著的提高學(xué)習(xí)系統(tǒng)的泛化能力，因此集成學(xué)習(xí)理論和算法的研究一直是機器學(xué)習(xí)領(lǐng)域的熱點。
　　本文在深入探查數(shù)據(jù)分類的各種策略基礎(chǔ)上，分別從以下幾個方面展開了研究工作:
　　

3、(1)對數(shù)據(jù)挖掘和機器學(xué)習(xí)中的分類問題進行了總結(jié)。對其中較為常用的分類方法如決策樹分類法、KNN分類法、支持向量機、神經(jīng)網(wǎng)絡(luò)和貝葉斯分類法和極限學(xué)習(xí)機等進行了詳細介紹。
　　(2)針對不平衡數(shù)據(jù)分類問題中存在的不足，本文提出了欠采樣技術(shù)與修正核函數(shù)相結(jié)合的算法。通過實驗證明，該方法能有效地提高不平衡數(shù)據(jù)分類的準(zhǔn)確率。
　　(3)提出了一種改進的極限學(xué)習(xí)機集成學(xué)習(xí)算法。該改進的集成極限學(xué)習(xí)機算法不僅考慮了分類器的結(jié)構(gòu)差異，還考