煤气井井段类型预测的代价敏感主动学习方法

摘要

本发明公开了一种煤气井井段预测的代价敏感主动学习方法，属于人工智能领域，选择最具有价值的缺失属性值进行购买，使得总代价最小。其中缺失属性值先由各属性的加权平均值进行填补，由softmax回归计算误分类代价，选择代价最小的填补方式，即为最有价值的缺失属性值。本发明的有益效果：1)本发明可以选出最有价值的属性和样本，减少了多余属性值的购买，降低了总体代价。2)在样本填补过后，将属性值齐全的样本加入初始训练集，可一定程度的提高模型的精确度。3)由于考虑了加权平均值，当数据集缺失率较高时，以加权平均值的填补可以使最终的预测精度提高。