计算机软件与理论论文：决策树神经网络集成学习选择性集成

《计算机软件与理论论文：决策树神经网络集成学习选择性集成》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、计算机软件与理论论文:基于选择策略的集成学习方法研究【中文摘要】集成学习是机器学习领域的热点研究之一。它主要是通过某种组合方式将多个学习器的分类结果融合到一起，从而提高集成学习的泛化能力，避免过拟合现象。集成学习应用很广泛，目前主要应用领域有图像识别、语咅识别、地震波分类等。选择性集成是在集成学习的基础上发展起来的，它的主要思想是通过某种方法来选取部分基模型进行集成。本文主要对选择策略的集成学习进行了研究。研究内容主要包括以下几个方面:第一，使用ID3决策树算法以及BP神经网络算法分别训练岀若干个基模型。在这里，使用ID3算法训练基模型时要对数据进行离散化处理，使用BP

2、神经网络算法时要对部分数据进行归一化处理，对数据的处理是否影响到集成性能进行了研究;第工，通过新的选择标准，釆用爬山法、前序选择和后序选择这三种选择性方法对选择性集成进行了研究,实验证明了这几种方法的有效性,选择标准中参数的改变也说明了差异性对集成性能产生了一定的影响，并且把实验结果同对所有基模型进行集成的结果进行了比较,说明了选择性集成的有效性;第三，采用一些聚类方法对选择性集成进行了研究，当然这里的聚类是指将满足一定条件的基模型聚到一块,聚类选择方法主要包括层次聚类和k-means聚类。在聚类当・・・【英文摘要】Ensemblesoflearntmodelscons

3、tituteoneofthemaincurrentdirectionsinmachinelearning.Ensembleallowsustoachievehighergeneralizationperformancesandtackletheproblemofoverfittingbyfusingtheresultsofmanylearningmachineinsomeway.Inresultyears,asmachinelearninghasbeenwidelyusedindataminingandanalysis,anumberoftheoriesofensemb

4、lelearninghavebeensuccessfullyappliedintoimagerecognition,voicerecognitionandtheclassificationofseismicwaveandsoon.Th.・・【关键词】决策树神经网络集成学习选择性集成【英文关键词】DecisiontreeNeuralnetworkEnsemblelearningSelectiveensemble索购全文】联系aQ1：139938848AQ2：138113721勺时提供论文写作一对一辅导和论文发表服务•保过包发【目录】基于选择策略的集成学习方法研究摘要5~6

5、Abstract6-7第1章引言11T61.1研究背景及意义11-121.2国内外研究现状与分析12-141・3研究内容141・4本文组织结构14-16第2章预备知识16-222.1决策树16-172.1.1决策树基本知识16-172.1.2决策树的特点及应用172.2BP神经网络17-182.2.1BP神经网络基本知识17-182.2.2BP神经网络的特点及应用182.3选择性集成学习18-192.4集成学习的差异性度量方法19-212.4.1Fail/Non-fail差异性度量方法数法202.4.4爛E差异性度量方法20-212.5本章小结21-22第3章数据预处理

6、22-263.1理论知识22-233.2连续数值离散化23-243.2.1数据离散化思想233.2.2实验结果23-243.3数据的归一化处理24-253.3.1归一化处理思想24-253.4结论25-26第4章基于爬山法、前序选择和后序选择的集成学习研究26-344.1引言264.2选择性策略26-284.2.1爬山选择方法26-274.2.2前序选择方法274.2.3后序选择方法27-284.3实验数据28-294.4实验结果与分析29-334.4.1采用ID3算法训练的基模型的实验结果与分析29-314.4.2采用BP神经网络算法训练的基模型的实验结果与分析31-

7、334.5本章小结33-34第5章基于聚类选择技术的集成学习研究34-465.1聚类选择理论基础34-355.2层次聚类选择35-395.2.1层次聚类选择的基本思想35-365.2.2由ID3算法生成的基模型的实验结果与分析36-385.2.3由BP神经网络算法生成的基模型的实验结杲与分析38-395.3K-MEANS聚类选择39-435.3.1k-MEANS聚类选择的基本思想39-405.3.2由ID3算法生成的基模型的实验结果与分析40-425.3.3由BP神经网络算法生成的基模型的实验结果与分析42-435.4基于聚类技术的泛化误