基于Active Learning的數(shù)據(jù)修復補全策略研究.pdf_第1頁
已閱讀1頁,還剩54頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、數(shù)據(jù)是信息的載體,數(shù)據(jù)的完整性決定了信息的存儲和表達效果,然而數(shù)據(jù)在搜集和整理過程中經常會出現(xiàn)隨機缺失,而且數(shù)據(jù)集在信息化時代的指數(shù)級膨脹也增加了修復補全的難度。本文在對現(xiàn)有的數(shù)據(jù)修復方法進行分析的基礎上,針對缺失數(shù)據(jù)集屬性之間關系模糊、數(shù)據(jù)規(guī)模較大等問題,提出了基于主動學習的數(shù)據(jù)后驗修正的數(shù)據(jù)修復方法。
  主動學習是基于無標記樣本或少量標記樣本的學習方法,通過迭代標記有價值的知識訓練得到優(yōu)質的分類器或學習機?;贏ctive

2、Learning的數(shù)據(jù)修復補全工作遵循“先相關-后修復”的原則,避免因盲目修復而引入臟數(shù)據(jù)或噪聲數(shù)據(jù),該方法更注重數(shù)據(jù)對于信息的表達需求,弱化了統(tǒng)計規(guī)律在修復中的作用。
  通過 Rough集“相關度”和“模糊邊界”理論定義屬性之間的相關性,構造CutOfAttribute算法對缺失數(shù)據(jù)進行屬性剪枝,去除獨立屬性和冗余屬性,降低屬性關系維度;通過迭代主動學習方法,得到精確的多元回歸模型,并在此基礎上對缺失屬性進行代入求解,然后將驗

3、證結果作為預處理結果,生成臨時完整數(shù)據(jù)集;通過支持向量機MC-Model模型構造多分類方法,對臨時完整數(shù)據(jù)集進行多分類,使得數(shù)據(jù)呈現(xiàn)簇擁分布,解決了數(shù)據(jù)集傾斜的問題,有效減少了學習時間;在各個分類上再次使用多元回歸模型擬合的方法,代入驗證修復結果的有效性,并進行補全修正,最后得到“完整”的數(shù)據(jù)集。
  論文選取了UCI數(shù)據(jù)庫中的幾個經典數(shù)據(jù)集進行仿真測試,通過均方根誤差等指標的對比分析驗證了該方法的有效性。該方法可以廣泛應用于監(jiān)測

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論