組中選優(yōu)機器學習問題建模和算法研究.pdf

1、在自然、經(jīng)濟和社會領(lǐng)域,大量存在樣本以組為單位,分類任務(wù)為學習訓練集中每組“最優(yōu)”樣本的規(guī)律,然后預(yù)測未見樣本組的最優(yōu)樣本問題;而現(xiàn)有機器學習問題的樣本都以個體為單位,鮮有考慮成組出現(xiàn)和組中選優(yōu)的情況。
　　 本文將實際工作中大量存在的以上問題,歸納為組中選優(yōu)機器學習問題。本文首先研究了新機器學習問題的建模和模型求解算法,接著給出了新模型和新算法的一個具體應(yīng)用,表明新模型的有效性和優(yōu)越性。本文的主要工作有:
　　 1.提

2、出了組中選優(yōu)機器學習問題,并分析了該問題的新特點。組中選優(yōu)的目標是選出每組中的最優(yōu)樣本,因此它僅需學習組內(nèi)不同類樣本之間的差異性,無需學習組間同類樣本之間的相似性。進一步地,組間同類樣本之間的相似性比較或?qū)W習不僅沒有意義,甚至還會帶來負面影響。
　　 2.建立了基于支持向量機(SVM)的組中選優(yōu)分類新模型(G.SVMs)。首先設(shè)計了組中選優(yōu)機器學習問題的置信風險和經(jīng)驗風險的定量度量指標,然后根據(jù)SRM原則建立了體現(xiàn)組中選優(yōu)特點的

3、分類新模型(G-SVMs)。同時也導(dǎo)出了它們的對偶問題,以及原問題和對偶問題解之間的關(guān)系。
　　 3.給出了G-SVMs的最小序貫算法(SMO)。首先研究了新模型最優(yōu)解的KKT條件,然后根據(jù)該條件給出新模型的SMO算法,并在MATLAB環(huán)境下進行實現(xiàn)。
　　 4.在數(shù)據(jù)預(yù)處理方面,提出了保持組內(nèi)不同類樣本差異條件下,減弱組間同類樣本比較影響的組內(nèi)比例化方法。
　　 5.開展了G-SVMs在深交所新股申購中的應(yīng)用研