分类预测

摘要： 为提升支持向量机算法在白酒品牌分类预测中的准确度,利用遗传算法优化支持向量机参数,并建立最优参数的SVM白酒品牌分类预测模型。通过阵列式传感器(电子舌)采集多个待测品牌白酒的特征信息,将提取的特征信息数据经预处理(异常值处理、归一化操作等)后存储为样本数据集。其中样本数据分为训练样本与测试样本,通过训练样本对最优参数的SVM白酒品牌分类预测模型进行训练,测试样本对模型进行预测分类。经过试验验证,该模型的白酒品牌分类识别率达到97.83%,较传统的SVM等分类算法能够快速、有效地对不同品牌的白酒进行分类识别,显著改善分类的精度,改进后的方法实现过程也比较简单。因此,基于GA优化SVM参数的白酒品牌分类预测模型具有较好的实用性、高效性。

摘要： 汽车组合仪表生产过程中质检项目多且检测时间长,这在一定程度上制约了其生产效率的进一步提升。为此,提出一种基于改进最远点合成少数类过采样技术(max distance synthetic minority over-sampling technique,MDSMOTE)的支持向量机(support vector machine,SVM)分类预测方法。首先,结合专家经验对汽车组合仪表的原始生产数据进行特征筛选,并在MDSMOTE中引入类不平衡率IR,以对所筛选的特征数据进行扩充;然后,利用粒子群优化(particle swarm optimization,PSO)算法对SVM的误差惩罚因子C和核函数参数γ进行优化;最后,建立优化的SVM分类预测模型,并对汽车组合仪表进行分类。通过与其他分类预测模型在不同数据集上的预测结果进行对比可知,基于改进MDSMOTE的SVM分类预测模型的准确率、F值和几何平均值等评价指标均优于其他模型。所提出方法在汽车仪表产品分类上表现出较强的泛化能力和稳定性,可为仪表制造企业生产效率的提升提供有效参考。

摘要： 为了探究学生在线学习情况与学习效果之间的关系,采用数据标注的方式解决学生学习行为表示的问题.以S大学在线教学平台数据为研究对象,通过数据挖掘技术探寻学生在线学习行为与学习效果之间的关系.对比多种机器学习算法后,选定随机森林算法作为学习效果预测模型的基本算法.研究发现:最能影响学习效果的因素是文档学习总时长,最终构建的学习效果预测模型对整体数据集的分类准确率达到84.69%.

摘要： 数据挖掘技术是一种从数据本身进行考虑的分析技术,能够对数据进行科学分类、数据估计、分类预测、关联分组以及时序数据列序模式挖掘,通过一系列的挖掘流程运用,得出更加具有价值和意义的数据,为决策提供良好的支持。数据挖掘技术在股票数据分析当中也具有一定的应用价值,数据挖掘技术在股票数据分析中应用,需要深入不同类别算法的特点和算法,从而发挥其运算优势,得出更加准确地股票数据分析结果,为股票投资提供更加可靠的依据。

摘要： 本文以UCI机器学习数据库中的1728条汽车评价数据为研究对象,旨在探究影响消费者汽车购买意愿的因素以及有序Logistic模型在分类预测中的效果。数据集总共包括七个变量,其中消费者汽车购买意愿为因变量,购入费用、维修费用、车门数、座位、内部空间、安全程度为自变量,除车门数和座位外,其余变量均为分类型变量;本文借助于统计软件R,采用多项有序Logistic回归模型进行建模预测后发现:1) 购入费用和维修费用对消费者汽车购买意愿有显著的负向影响,车门数、座位数、内部空间、安全性对消费者汽车购买意愿有显著的正向影响;2) 安全性这个自变量对消费者汽车购买意愿的影响最大,其回归系数值为2.743,同时其优势比(OR值)为15.531,意味着安全性增加一个单位时,购买意愿的变化(增加)幅度为15.531倍;3) 利用构建的多项有序Logistic回归模型对测试集数据(后30%)进行预测时,对整体多项预测准确率达到了0.815,从因变量具体类别来看:Class: 0 (unacc)和Class: 3 (Vgood)的预测准确率最高,分别为0.830和0.829,Class: 2 (good)准确率最差仅为0.499。

摘要： 为了对电力企业中不同部门的运行数据进行有效的挖掘,提出利用C5.0决策树算法对数据进行深层次分析,为管理人员提供有价值的决策支持。首先,对数据挖掘中先进的C5.0决策树算法原理进行分析,并通过引入信息熵对原有的属性选择方式进行改进,提高了信息增益比率计算的速度。然后根据设计的售电量关系模型进行对电厂管理信息系统中的数据进行挖掘。在UCI机器学习数据集和电力营销数据集上的实验结果表明,提出的改进C5.0决策树算法具有良好的分类性能,能够对售电市场进行快速、准确的用户分类,准确率达到86.5%。

摘要： 将深度学习方法结合进目标检测算法突破了传统算法的性能瓶颈,成为计算机视觉领域一个热门的研究课题.本文对当下最流行的基于深度学习物体目标检测算法进行深入研究,得出一个整体认识,为目标检测应用系统开发的先进性与高效性提供有益的理论指导.沿着时间顺序梳理了深度卷积神经网络进入物体目标检测算法的发展过程,按照两阶段和一阶段实现对主要的算法划分两大类别;同时,参考是否采用锚框又分为基于锚框和非锚框的两种方式.围绕发展更成熟的基于锚框的检测系统详细探讨了算法的实现原理,并指出当前物体目标检测系统面临的难点问题和关键技术.最后,对物体目标检测算法发展的方向进行了展望.

摘要： 为高效判别隧洞围岩类别,合理评价隧洞的安全性和稳定性。基于灰色关联度(GRA)和主成分分析(PCA)理论,选取岩石质量指标、完整性指数、饱和单轴抗压强度、纵波波速、弹性抗力系数以及结构面摩擦系数作为判别指标,围岩类别作为判别结果,分别建立GRA和PCA-GRA隧洞围岩分类判别模型。并分析判别指标与判别结果的相关性。结果表明:相比于PCA-GRA模型,GRA模型判别过程简单准确,受冗余信息影响较小;纵波波速与判别结果相关性较低,可作为次要指标剔除。所得结论可对围岩分类及判别指标的选取提供参考。

摘要： 基于2008—2021年上证180指数和其成分股的周数据,具体实验设计考虑到中国股票市场普通投资者的实际局限,剔除建立动量效应投资组合中的做空操作,并且将动量效应有效性定义为投资组合收益率超过指数平均收益。初步实验结果表明,中国股票市场中动量效应持续性不明显,依据动量效应的策略建立投资组合的收益率还有改进空间。基于以往对于动量效应的理论解释,提出根据指数的风险因子对于市场中收益率能否保持惯性进行分类预测。考虑到传统线性模型的局限,以LSSVM模型作为分类器,最终分类预测结果显示选取的九个风险因子指标中的三个指标对于动量效应的持续性预测具有一定效力,同时根据BP神经网络的实验结果证明相关研究结论具有稳健性。

摘要： 文章主要介绍了对大数据进行分类预测的深度学习算法,并使用K近邻算法(KNN)、决策树算法(CART)、支持向量机算法(SVN)、贝叶斯算法、人工神经网络算法(ANN)等对ADMET性质进行分类预测,为乳腺癌治疗效果提供了一种评价方法。

摘要： 如何高效准确地对数据流数据进行分类预测是数据流挖掘领域的研究热点之一。本文提出了一种基于全局频繁模式的数据流分类算法CBMP，将概要数据存储于一种新的最大频繁模式分类树CMFP-Tree中，并使用模糊的方法构建分类器，在线更新概要信息与分类器，实现了对数据流数据的即时分类预测。实验表明，CBMP 算法比CMAR 算法、CAPE 算法及 CBC-DS 算法拥有更高的预测精度与时间效率，特别是在概念漂移特征显著的情况下，该算法的预测精度明显高于其他算法。

摘要： 根据高光谱图像强烈的谱间相关性,本文提出一种基于分类预测的高光谱图像无损压缩算法.首先根据谱间相关性的大小,将若干个相邻的波段分为一组.由于高光谱图像每个波段都具有相同的物理结构,先对各组中首幅图像进行分类,在每个子类中设计出一个最佳线性预测器,将该类中的相邻谱段进行预测并将预测残差均方降为最小,然后用LOCO-I算法去除残差图像的相关性.实验结果表明,该算法能够有效的压缩数据,其他压缩算法显示出很强的优势.

摘要： 本文主要围绕航迹聚类、航迹异常检测、航迹关联模式、航迹分类预测等方面对目标航迹数据分析与挖掘进行了概述.目标航迹数据聚类挖掘分析能够从纷杂的航迹数据中发现目标的潜在运动轨迹，依据数据挖掘中聚类分析的方法，通过引入相关学科的知识来不断改善聚类的效果。目标航迹异常检测能够从海量的航迹数据中发现属性异常的目标，实时的异常检测可以实时地完成异常目标的检测与判断，进而实施自动标注和告警，对辅助决策指挥有重要意义。目标航迹异常检测在很大程度上取决于待挖掘航迹数据的尺度和分辨率。航迹关联模式挖掘通过关联分析对目标的航迹数据进行挖掘，能够更好地分析目标的活动特征，把握目标的活动趋势及其环境的特征。目标航迹分类预测主要是基于目标的特征构建分类模型来预测目标所属类别或所在具体空间位置。

摘要： 作为重要的社会化媒体,微博已日益成为网络舆论的主要载体,并以其社会性、媒体性和参与的广泛性而带来舆论的快速传播.本文针对品牌丑闻事件在微博上的传播,选取了29个近年来在微博上有明显传播特征的品牌丑闻事件作样本,搜集事件爆出后的一周时间内的微博博文数量,每两小时搜集一次,以记录其动态变化,并运用神经网络SOM模型方法对博文的数量变化进行聚类,以此得到微博上品牌丑闻事件传播的五类分类结果,并用GMDH方法对数据做预测分析.企业了解历史丑闻事件在微博上的不同传播类型及各自的特点,有利于自身在应对丑闻事件及品牌危机时,有很好的参考和借鉴价值.

摘要： 分析和讨论了遗传算法的相关概念和算法思想，并将基于遗传算法的数据挖掘技术应用于高校学生考研预测的知识发现，分析了各部分成绩对考研总体成绩的影响，通过对各部分成绩重要性分析，为今后大学教学的重点提供了理论依据。

摘要： 数据的概念漂移特性是广泛存在的.提出一种挖掘概念漂移数据的自适应集成学习算法(adaptive multiple classifiers ensemble,AMCE).该算法通过给每个分类器分配独立的权重调整参数,增强自适应能力;并且利用基于KL距离的剪枝策略删除集成中存在的冗余个体分类器.实验结果表明,该算法能够有效地改善发生概念漂移时的分类预测结果,同时减少存储空间的使用,提高算法速度,并且其对噪音数据具有较强的鲁棒性。

摘要： 神经网络的分类预测过程是一个"黑箱",对于决策者来说是既不可见又不易于理解的.本文将采用一种规则抽取技术,将隐藏在神经网络中的隐性知识抽取出来以满足决策者的需要.首先利用BP算法训练神经网络;然后用罚函数方法对训练后的神经网络进行修剪,在保证分类精度的前提下,去掉不必要的连接以及节点;之后利用一种基于结构的规则抽取方法--RX算法从修剪后的神经网络中抽取出符号规则;最后,本文以银行贷款风险预警为例,进行规则抽取研究。

摘要： 本文主要介绍汉语动词事件类型的预测.事件类型是根据内部时间结构对汉语动词进行的重要分类,包括状态、活动、变化(完结和达成).对汉语动词事件类型进行预测从理论上能够对以往语言学研究提出的特征进行验证,从应用上可以服务于机器翻译等任务.本文基于两种方式构建词向量进行汉语动词事件类型的预测,一种是根据语言学特征有监督地构建词向量;另一种是利用word2vec无监督地构建词嵌入向量.通过多元逻辑回归、支持向量机和人工神经网络分类器对汉语动词事件类型进行预测,最终实现了73.6％的总体准确率.

摘要： 本文主要介绍汉语动词事件类型的预测.事件类型是根据内部时间结构对汉语动词进行的重要分类,包括状态、活动、变化(完结和达成).对汉语动词事件类型进行预测从理论上能够对以往语言学研究提出的特征进行验证,从应用上可以服务于机器翻译等任务.本文基于两种方式构建词向量进行汉语动词事件类型的预测,一种是根据语言学特征有监督地构建词向量;另一种是利用word2vec无监督地构建词嵌入向量.通过多元逻辑回归、支持向量机和人工神经网络分类器对汉语动词事件类型进行预测,最终实现了73.6％的总体准确率.

摘要： 本文主要介绍汉语动词事件类型的预测.事件类型是根据内部时间结构对汉语动词进行的重要分类,包括状态、活动、变化(完结和达成).对汉语动词事件类型进行预测从理论上能够对以往语言学研究提出的特征进行验证,从应用上可以服务于机器翻译等任务.本文基于两种方式构建词向量进行汉语动词事件类型的预测,一种是根据语言学特征有监督地构建词向量;另一种是利用word2vec无监督地构建词嵌入向量.通过多元逻辑回归、支持向量机和人工神经网络分类器对汉语动词事件类型进行预测,最终实现了73.6％的总体准确率.

摘要： 本说明书实施例提供一种计算机执行的训练用户分类模型以及利用训练的模型预测用户分类的方法和装置。训练方法包括以下步骤。首先获取样本用户在第一时段中的第一特征集合，以及针对第一时段的第一分类结果；还获取针对第二时段训练的第二用户分类模型；其中第二时段为第一时段之前的上一时段。然后利用第二用户分类模型，至少基于第一特征集合，预测第一时段的用户类别，得到第二预测结果；再将第一特征集合以及第二预测结果作为特征输入，将第一分类结果作为标签，训练针对第一时段的第一用户分类模型。

摘要： 金相组织的相的分类方法包括：特征值计算步骤，其中，对拍摄金属材料的金相组织而得到的图像的像素计算一个以上的特征值；和相分类步骤，其中，对于以被赋予了金相组织的多个相的标签的特征值作为输入、以各相的标签作为输出进行学习后的学习完成模型，输入在特征值计算步骤中计算出的特征值，获得与输入的特征值对应的像素的相的标签，由此对图像的金相组织的相进行分类。

摘要： 金属组织的拍摄条件确定方法包括：拍摄工序，拍摄金属材料的金属组织的一部分；相指定工序，对于金属组织的像素赋予各相的标签；特征值算出工序，对于赋予了各相的标签的像素算出特征值；相分类工序，对于将赋予了各相的标签的特征值作为输入并将各相的标签作为输出而预先学习的模型输入特征值，取得相的标签，从而将相分类；以及拍摄条件确定工序，基于相分类工序的分类结果，确定拍摄金属组织的其他部分时的拍摄条件。

摘要： 一种基于多核学习预测增强子及其强度分类方法及分类设备，本发明涉及基于多核学习预测增强子及其强度分类方法及分类设备。本发明的目的是为了解决现有方法需要花费大量的人力物力去制备实验所需的试剂，以及通过生物实验注释DNA片段功能，效率低的问题。过程为：获取带标签的DNA测序序列；使用三种特征描述符进行编码转换为向量；分别对得到的向量进行特征筛选获得各自的F值，分别进行降维排序，选出各自对应的最佳的特征子集；计算每个高斯函数对应的最佳权重；构建增强子预测模型；构建强弱增强子预测模型；通过构建好的增强子预测模型和强弱增强子预测模型对待测DNA测序序列进行判断。本发明用于生物信息技术领域。

摘要： 本申请公开了一种图像分类方法，包括：对标准TWSVM算法进行预处理，得到预处理TWSVM算法；根据获取的训练数据集执行二叉决策树构造操作，根据预处理TWSVM算法和构造得到的二叉决策树中的非叶子结点进行训练处理，得到每个非叶子结点的决策函数；通过二叉决策树和决策函数对待测样本进行分类预测处理，得到分类结果。通过二叉决策树为基础拓展TWSVM算法，提高TWSVM算法处理多分类问题的效率，并且通过核聚类构造的二叉决策树提高了面对非线性问题时的准确率本申请还公开了一种图像分类的训练方法、分类预测方法、图像分类系统、图像分类装置以及计算机可读存储介质，具有以上有益效果。

摘要： 生成通过简单的操作进行实质上接近100％的二类别分类且可靠性高的二类别分类预测模型。二类别分类预测模型是通过下述步骤生成的，即：a)根据针对学习样本集合的各个学习样本产生的说明变量，求出用于将学习样本集合分类为预先设定的两个类别的判别函数；b)根据求出的判别函数，计算各学习样本的判别分数；c)根据计算出的判别分数，决定各学习样本的分类预测的正误；d)根据被错误分类的学习样本集合中的最大判别分数和最小判别分数，决定错误分类样本区域；e)取出包含在错误分类样本区域内的学习样本，构成新学习样本集合；f)针对新学习样本集合，重复a)～e)。

摘要： 本发明提供了一种分类预测模型生成方法及分类预测方法、系统、平台，其方法，包括：构建初始分类预测模型；在候选样本数据集中随机选取预设数量的训练样本，并进行预处理，每个训练样本均包括一个病人的不同模态的肝部医学图像；将预处理后的肝部医学图像输入至所初始分类预测模型中，通过初始分类预测模型对预处理后的肝部医学图像进行特征提取，以获取每个模态对应的预设维度的特征向量；通过初始分类预测模型将不同模态对应的预设维度的特征向量进行拼接，并对拼接后的特征向量进行分类预测，以确定所述训练样本对应的肝纤维化发展阶段；对初始分类预测模型进行迭代训练，以生成实际分类预测模型。可准确区分肝纤维化相邻阶段。

摘要： 本申请提供了一种分类预测模型的训练方法、分类预测方法、装置和设备，属于计算机技术领域。分类预测模型的训练方法包括：通过第二样本集对第一编码子模型进行训练获得第二编码子模型；通过第二编码子模型对映射样本集进行编码所获得的第一向量，及第一编码子模型对映射样本集进行编码所获得的第二向量，训练第一映射子模型；通过第二编码子模型将第二样本集编码为第四向量；通过第一映射子模型将第四向量映射为第五向量；通过第五向量对第一分类子模型进行训练获得第二分类子模型；通过第二编码子模型、第一映射子模型和第二分类子模型构建第二分类预测模型。本方案能够提高所训练的分类预测模型的准确性，进而提高分类预测的准确性。

摘要： 本发明公开一种针对非平衡数据集的分类预测方法及分类预测器，所述分类预测方法包括：获取非平衡数据集中的训练样本集以及所述训练样本集对应的最佳分类结果；基于当前目标函数对所述训练样本集进行分类，得到当前分类结果；判断所述当前分类结果与最佳分类结果是否一致；如果一致，则所述当前目标函数作为最优目标函数；否则，基于分类器评价指标对所述当前分类结果进行性能评价确定当前奖惩函数；根据当前奖惩函数对当前目标函数进行修正，获得当前修正目标函数，所述当前修正目标函数作为当前目标函数，重新分类。本发明引入奖惩函数，根据当前奖惩函数对当前目标函数不断进行修正，从而获得最优目标函数，实现对非平衡数据集的准确分类预测。

摘要： 本公开实施例提供了一种对象分类模型的训练方法、对象分类预测方法及装置，该对象分类模型的训练方法包括：获取训练样本数据集，其中，训练样本数据集中的训练样本包括训练图像以及训练图像的标签数据，其中，训练图像表征对象的多种姿势，对象包括动物，标签数据包括针对姿势的真实姿势分类信息；将训练图像输入深度神经网络模型，输出识别结果，识别结果包括预测姿势分类信息；根据识别结果和标签数据计算损失函数，得到损失结果；以及根据损失结果迭代地调整深度神经网络模型的网络参数，生成经训练的对象分类模型。