分类问题

摘要： 针对不确定数据的二分类问题,提出了一种鲁棒双参数化间隔支持向量机。考虑样本是服从多元高斯分布,并给出了几种协方差矩阵的构造方式。提出的鲁棒双参数化间隔支持向量机通过处理一对较小规模的凸优化问题,寻找两个非平行的参数化间隔超平面,并针对优化问题设计了相应的随机梯度下降算法。当训练样本的方差趋近于零时,鲁棒双参数化间隔支持向量机可退化为传统的双参数化间隔支持向量机。数值实验结果表明,该方法具有较好的泛化性能。

摘要： 近年来,快速发展的数字服务贸易逐渐引发学术界的研究关注。基础此,本文使用中国知网梳理国内有关研究文献,并运用文献计量法进行量化分析,以考察我国数字服务贸易研究全貌。在此基础上,本文针对研究薄弱环节,重点聚焦数字服务贸易分类问题的国内外研究文献予以综述和评析,通过探讨分类问题的不同研究观点及其理论源流和实践价值厘清其研究脉络与研究短板,试图明晰分类问题的研究方向,力求为该问题的进一步研究提供支持。

摘要： 为探讨不同机器学习模型在分类问题中的优劣,以UCI机器学习中的威斯康辛乳腺癌数据集为研究对象,使用梯度提升树(GBDT)、多层感知机(MLP)和支持向量机(SVM)分别建立乳腺癌预测模型.研究结果表明,三种模型在癌症分类问题中均有良好的表现,MLP模型预测精度更好,泛化能力更强,且参数方面更为简单.GBDT模型参数较多,需要进行调参.在今后研究中,可以采用网格搜索法对GBDT和MLP进行调参,并将这几种模型用于更多的分类问题.

摘要： 针对油田局域网络环境中,传统基于流量的分析方法无法实现应用系统的有效识别问题,本文设计一种面向不平衡数据集的应用系统识别框架WEBCLA,该框架采用基于基尼增益的SMOTE改进算法(GSMOTE)与XGBoost分类算法相结合的方式对基于网页的应用系统进行有效识别.具体地,本文提出的GSMOTE算法对少数类进行过采样,有效缓解识别样本不平衡问题,并结合XGBoost分类算法进行应用系统的识别.通过在真实数据集上进行实验,结果表明,本文提出的方法在召回率上较传统方法有较明显的提升,比普通集成方法提高约112.8％,比未经过采样处理的方法提升约10.8％,可有效解决油田局域网中的应用系统识别问题.

摘要： 不同的学者对于教育研究方法的分类有不同的标准,这些不同的划分有助于启发我们从不同的角度去理解、分析和运用各种各样的研究方法,但由此也带来了纷繁复杂的分类"乱象".如果实在要对教育研究方法进行分类,那么首先要区分教育研究的分类、教育研究方法体系以及具体的教育研究方法的区别.其次,在脑海里从宏观的方法论到中观的教育研究方法再到微观的具体的教育研究方法要有一个框架体系的思想,才不会迷失于教育研究方法的分类"乱象"之中.此外,教育研究方法的范式之争由来已久、屡见不鲜.建设性的范式之争能够给人带来理性上的启迪.但是,非建设性的范式之争则有可能仅仅是情感上的发泄,不利于学科的发展.因而,研究者应走出非此即彼的二元对立思维,灵活地转换视角,既能从整体出发去领略整个"学术森林"的魅力,又能从不同的角度去审视"学术森林"中的每一棵独立的树木.

摘要： 多层感知器MLP是处理分类问题的一种方法,可实现非线性高维度分类,并有很好的扩展能力.但是,在传统MLP的训练过程中,MLP分类结果的好坏与参数选择关系密切,而且传统算法的参数选择有很多缺陷.使用群智能算法替代传统多层感知器训练器是一种解决方案.灰狼优化算法GWO是其中一种兼顾高水平的探索和开发能力的算法.但是,GWO算法训练MLP时,依然存在开发和探索不平衡的问题,导致M LP分类准确率不理想.为了提升算法探索能力,将柯西变异算子引入灰狼优化算法,同时平衡开发能力,加入余弦收敛因子,提出一种改进的柯西变异灰狼优化算法IGWO.最后,将改进后的算法作为MLP的训练器,用于对3个不同复杂度分类问题进行分类实验,检验训练器在不同结构MLP下的性能表现.结果表明:相较于其他对比算法,IGWO训练MLP在分类准确率、陷入局部最优抗性、全局收敛速度和稳定性方面均具有较好的性能.

摘要： 由于航班延误数据集类别分布不均,传统分类器的性能受到一定程度的制约.为了能够对到港航班延误情况进行精准预测,提出了一种基于合成少数类过采样技术(synthetic minority oversampling technique,SMOTE)算法和条件生成对抗网络(conditional generative adversarial nets,CGAN)的航班延误预测模型.首先,利用SMOTE算法对原始数据集进行上采样,并融合经过训练的CGAN生成指定样本数据集,缓解原始数据集中某些类别样本量少和数据非平衡等问题;再次,采用XGBoost模型在4种模式训练集上进行训练和超参数寻优;最后,以K近邻、支持向量机和随机森林为基准模型进行性能对比分析.经试验分析,通过分类器在融合样本集的训练,整体上可以在一定程度上提高模型的泛化性,尤其在轻度延误和中度延误类别中提升较为明显,与不采用融合方法比较,宏平均下的Precision、Recall、F1-score值分别提升了0.16、0.29、0.24个百分点.实验结果表明,该方法能够有效地对航班延误非平衡数据进行建模,在保持模型整体性能较高的前提下,能够显著地提升少数类的预测能力,可以为空管、航空公司和机场等提供决策依据.

摘要： 针对SMOTE算法和随机森林可较好解决不平衡数据集的分类问题但对少数类样本分类效果还有待提高的问题,融合Canopy和K-means两种聚类算法,设计了C-K-SMOTE改进算法.先后利用Canopy算法进行快速近似聚类,再利用K-means算法进行精准聚类,得到精准聚类簇,最后利用SMOTE算法增加少数类样本数量,使数据趋于平衡.选取公开数据集KEEL(knowledge extraction on evolutionary learning)数据库中的不平衡数据集,结合随机森林分类模型进行了实验验证,实验表明C-K-SMOTE算法可有效平衡不平衡数据集.

摘要： 为了利用电子医疗档案实现对患者疾病的智能诊断,提出了一种结合模糊C均值聚类和区间二型小脑模型关节神经网络(FCM-IT2CMAC)的两层分类算法.该算法使用了两个分类器,其中小脑模型神经网络是主分类器,模糊C均值算法是预分类器.首先,使用预分类器将样本数据分组,然后应用主分类器确定样本是否处于健康或患病状态.此外还采用梯度下降法自适应训练主分类算法的参数,并使用李雅普诺夫稳定性理论证明了算法的收敛性.最后通过实验证明该分类算法的有效性.

摘要： 随着生物信息学、基因表达谱微阵列、图像识别等技术的发展,高维小样本分类问题成为数据挖掘(包括机器学习、模式识别)中的一项挑战性任务,容易引发"维数灾难"和过拟合问题.针对这个问题,特征选择可以有效避免维数灾难,提升分类模型泛化能力,成为研究的热点,有必要对国内外高维小样本特征选择主要研究情况进行综述.首先分析了高维小样本特征选择问题的本质;其次,根据其算法的本质区别,重点对高维小样本数据的特征选择方法进行分类剖析和比较;最后对高维小样本特征选择研究面临的挑战以及研究方向作了展望.

摘要： 二次曲面的分类问题是解析几何教学中的一个难点.目前比较常见的分类方法有两种:坐标变换法和不变量与半不变量法，其中坐标变换法只适用于直角坐标系的情形，且需要更多的线性代数基础;而不变量与半不变量法需要记忆大量的公式，比较繁琐.本文结合微积分中比较常用的稳定点和线性代数中非常重要的矩阵的秩的概念，给出了二次曲面按照其简化方程形式进行分类的充要条件.该分类条件容易理解、便于记忆，并且能让学生对于分析、代数和几何的有机结合有更深刻的认识，促进学生的发散思维.

摘要： 本文主要研究学生的学习态度对于考试成绩的影响.在模型中,每个考生有一标签g∈{0,1}∶1,0二值分别表示该生学习态度端正和不端正.假定考生v的标签gv是未知的.主要目的之一就是基于学生的考试成绩推断gv的值.为了体现类别标签对于考试成绩的影响，在IRT中加入新参数γ=γ1g.除此以外，零分和满分要进行特别的处理;M步出现的对称函数的计算也是一个难点。用模拟数值实验检验了该方法的有效性，结果是相当令人满意的。

摘要： 提出了一种基于实数编码遗传算法的改进支持向量机.针对二进制遗传算法求解分类问题的3点不足之处,提出了改进算法.该算法在问题的约束中引进核函数,将问题映射到高维空间,成为线性问题后求解,从而使算法不仅适合解线性问题,也适合解非线性问题;引进Reduced SVM思想,仅用数据集的1％～10％的样本信息就能求出分类问题的分划超平面,从而大大降低了问题的复杂性;最后采用实数编码的遗传算法求解,节省了两次编码-解码转换所占据的运行时间.给出了算法的迭代步骤,数值实验表明该改进的算法是有效的,理论证明该算法确实是收敛的.

摘要： 为解决基于粒子群优化算法(PSO)的BP网络训练算法(PSO-BP)易陷入局部极小值,不能有效提高训练精度等问题,本文提出了一种速度可调节的粒子群算法-AVPSO算法,并将其应用到BP网络的训练中,构造了基于AVPSO的BP网络训练算法AVPSO-BP,通过Iris分类问题,与PSO-BP算法及BP算法进行了对比.实验结果表明:AVPSO-BP不仅在一定程度上克服了PSO-BP易于陷入局部极小值的问题,提高了网络的预测能力和稳定性,而且在一定程度上降低了BP网络对参数选择的敏感性。

摘要： 在分类问题中采用基于后验概率的支持向量机,能够得到更多的信息,也更接近真实情况,所以在实际问题中可以获得更好的分类准确性.对本文中的基于后验的支持向量机与-支持向量机的等价性问题在今后的工作中还需进一步深入研究其内在原因。

摘要： 为了精确地寻找活动形状模型中特征点的新位置,提出了一种基于支持向量机分类器的活动形状模型用于人脸特征点定位,即把寻找特征点新位置的任务转化为分类问题.起初,这是典型的两类分类问题,但两类分类器寻找特征点新位置效果并不理想.因此进一步提出把两类分类问题转化为多类分类问题.为每一个特征点训练一个支持向量机多类分类器,并用此分类器寻找该特征点新位置.实验结果表明,基于支持向量机多类分类器的活动形状模型比原始活动形状模型更为精确,稳健。

摘要： 本发明公开了一种基于深度学习的问题分类模型训练方法、问题分类方法以及装置。其中问题分类模型训练方法包括：提取问题文本样本中的特征信息样本，并生成对应的第一特征向量样本；对第一特征向量样本进行空间变换，得到第二特征向量样本；将第二特征向量样本输入至多层卷积神经网络中的多个卷积层和多个池化层，以通过叠加卷积操作和池化操作，得到第一融合特征向量样本；将第一融合特征向量样本输入至多层卷积神经网络中的全连接层，得到全局特征向量样本；根据全局特征向量样本对Softmax分类器进行训练，得到问题分类模型。该方法可免去大量人工设计特征的开销，通过该问题分类模型可以得到更加准确的分类结果，提高了标准问题与答案的定位。

摘要： 通过分类深度问题回答系统接收的第一事例，并且通过在训练深度问题回答系统回答第一事例时，识别第一事例中的第一特征，为第一特征计算第一特征分值，（所述第一特征分值指示在生成对第一事例的正确响应过程中第一特征的相关性，）以及一旦确定第一特征分值超过相关性阈值，则在回答被分类第一事例的过程中将第一特征识别为相关，本发明公开在深度问题回答系统中识别相关特征的系统和方法。此外，本发明公开深度问题回答系统生成对第一事例的响应的系统和方法，以及识别出在深度问题回答系统回答问题所使用的证据中的变化的系统和方法。

摘要： 本公开提供了一种生产问题分类模型的训练方法，可以应用于金融领域及人工智能技术领域。该生产问题分类模型包括关键词提取层和分类层，该生产问题分类模型的训练方法包括：获取训练样本数据集，训练样本数据集包括已知问题描述文本；将已知问题描述文本输入待训练的生产问题分类模型的关键词提取层，输出关键词集合；以及利用关键词集合训练待训练的生产问题分类模型的分类层，得到训练完成的生产问题分类模型。本公开还提供了一种生产问题分类方法、生产问题分类模型的训练装置、生产问题分类装置、设备、存储介质和程序产品。

摘要： 本申请公开了一种问题分类方法，问题分类装置、电子设备及计算机可读存储介质，其中，该问题分类方法包括：在待处理的客服问答数据中，提取得到两个以上主问题，其中，每个主问题均对应有各自的类别ID；根据第一主问题及第二主问题的类别ID，分别确定所述第一主问题及所述第二主问题的第一类别、第二类别及第三类别，其中，所述第一类别为问题的最大所属类别，所述第三类别为问题的最小所属类别；根据所述第一主问题及所述第二主问题的第一类别、第二类别及第三类别，确定所述第一主问题与所述第二主问题的相关级别。本申请方案可挖掘出不同问题之间的深层相关关系，帮助提升智能客服的反馈结果的准确度。

摘要： 本申请涉及人工智能技术领域，提供了一种问题分类模型，包括：级联的n个分类模型，n为两个或两个以上；n个分类模型中包括级联的第i‑1个分类模型、第i个分类模型；第i个分类模型根据用户问题、第i‑1个分类模型输出的分类结果，输出第i个分类模型的分类结果，其中，第i个分类模型比第i‑1个分类模型所输出的分类结果的分类类别的颗粒度小。还提供了相应的问题分类方法以及问题分类模型的训练方法。本申请实施例提供的方案可以实现即使在少量样本数据训练的情况下，也能较为准确的实现问题的分类，提供较为准确的对应问题的答案。

摘要： 本发明公开了一种基于深度学习的问题分类模型训练方法、问题分类方法以及装置。其中问题分类模型训练方法包括：提取问题文本样本中的特征信息样本，并生成对应的第一特征向量样本；对第一特征向量样本进行空间变换，得到第二特征向量样本；将第二特征向量样本输入至多层卷积神经网络中的多个卷积层和多个池化层，以通过叠加卷积操作和池化操作，得到第一融合特征向量样本；将第一融合特征向量样本输入至多层卷积神经网络中的全连接层，得到全局特征向量样本；根据全局特征向量样本对Softmax分类器进行训练，得到问题分类模型。该方法可免去大量人工设计特征的开销，通过该问题分类模型可以得到更加准确的分类结果，提高了标准问题与答案的定位。

摘要： 本发明提供了一种基于问题分类确定问题答案的方法、装置及电子设备，用于解决现有技术中识别亲属称谓计算问题的准确性较低，获取答案时间较长的问题。包括：获取问题的文本信息；通过预先训练的问题分类模型对所述文本信息进行分类；响应于所述文本信息被分类为预定类别且所述文本信息满足预定的规则，调用对应的计算函数来获取问题对应的答案。

摘要： 通过分类深度问题回答系统接收的第一事例，并且通过在训练深度问题回答系统回答第一事例时，识别第一事例中的第一特征，为第一特征计算第一特征分值，（所述第一特征分值指示在生成对第一事例的正确响应过程中第一特征的相关性，）以及一旦确定第一特征分值超过相关性阈值，则在回答被分类第一事例的过程中将第一特征识别为相关，本发明公开在深度问题回答系统中识别相关特征的系统和方法。此外，本发明公开深度问题回答系统生成对第一事例的响应的系统和方法，以及识别出在深度问题回答系统回答问题所使用的证据中的变化的系统和方法。

摘要： 本发明公开了一种用于解决多分类问题的纠错SVM分类方法，属于模式识别和机器学习技术领域。其特征是由纠错SVM网络的训练系统和纠错SVM网络的工作系统组成。纠错SVM网络的训练系统由编码器、训练样本集划分器、n个SVM单元训练器组成；纠错SVM网络的工作系统由经过纠错SVM网络的训练系统训练好的n个SVM单元、解码器组成。本发明利用数字通信中的纠错编码算法将多个SVM进行有效地组合，使得组合后的SVM网络具有纠正其中部分SVM单元所发生的分类错误的能力，而且需要使用的SVM单元的数量较少，从而使该分类方法的综合性能得到提高。

摘要： 本发明属于统计机器学习技术领域，具体涉及一种用于在大规模数据分类问题中训练SVM分类器的方法。该方法首先训练样本的聚类，根据聚类结果，把具有相同标签的样本分别拟合成高斯模型，作为训练的基本信息单元；然后根据K个高斯模型建立K×K的核矩阵，并建立带约束的二次规划问题，用数值方法求解之；最后利用该二次规划问题的解得到分类器的决策函数，使用该决策函数对测试样本进行预测。本发明方法对时间复杂度和空间复杂度都大有降低；可广泛应用于多媒体信息检索、生物信息识别、金融信息处理等领域。