产生式判别式混合分类方法研究

《产生式判别式混合分类方法研究》由会员分享，可在线阅读，更多相关《产生式判别式混合分类方法研究（3页珍藏版）》请在金锄头文库上搜索。

1、r易戋衣鬥 论文发表专家产生式判别式混合分类方法研究【摘耍】：数据挖掘分类技术中的统计模型被分为产生式和判别式两 大类，这两类模型是近儿年数据挖掘和机器学习的研究热点之一。产 生式模型学习的是联合概率，主要侧重各类数据的分布情况;判别式模 型学习的是条件概率，主要侧重各类数据的分类边界。两类方法侧重 点不同，表现出的分类性能也不同。为了充分利用两种分类器各自的 优势，扬长避短，越来越多的学者们开始研究产生式和判别式的混合分 类模型，解决单类分类器不能解决、难以解决或者难以有效解决的分 类问题。本文首先介绍了三个典型的混合模型框架，分析了这几个框 架下，研究人员已提山的产生式/判别式混合模型的具

2、体形式及存在的 问题。然后系统地论述了产生式模型和判别式模型的概念、学习方法、 统计特性，并对产生式和判别式模型进行了详细的比较,分析了它们各 自的适用领域。在此基础上，提出了两种有效的产生式/判别式混合分 类器:鉴于AdaBoost集成的思想,提出了基于AdaBoost的产生式与 判别式混合分类算法。该算法在AdaBoost集成方法的每一轮中同时 学习两个分类器:一个产生式分类器和一个判别式分类器，选择误差率 较小的作为该轮中的个体分类器,然后对所有个体分类器采用加权的 方法得到最终分类器。实验结果表明，该方法在准确率和收敛速度上 都有明显的提高。（2）以符号回归的思想为基础,提出了基于遗传

3、规划 的产生式/判别式混合分类方法。该方法将产生式和判别式模型混合 的表达式学习看作符号回归问题，利用遗传规划学习产生式和判别式r易找衣鬥 论文发表专家的混合表达式。该方法是一种般性方法，不仅避免了求取产生式和 判别式部分的权重的问题,而且产生式和判别式混合的数学形式是根 据数据集特征的变化而变化的，更具有适应性。实验结果证明，该混合 模型要优于单个的产生式模型和单个的判别式模型，在一定程度上提 高了分类的准确率。【关键词】：分类产生式方法判别式方法混合模型【学位授予单位】：山西财经大学【学位级别】：硕士【学位授予年份】：2011【分类号L TP311.13【冃录】：摘要6-7ABSTRACT

4、7-101绪论10-151.1研究背景及意义 10-111.2研究现状11-131.3本文研究内容及创新点13-141.4论文的组 织结构14-152分类的基础理论15-252.1分类15-162.2产生式模型及 学习方法16-192.2.1产生式分类模型16-182.2.2产生式模型学习18- 192.3判别式模型及学习方法19-222.3.1判别式分类模型19- 212.3.2判别式模型学习21-222.4产生式和判别式模型的比较 22-253基于ADABOOST的产生式/判别式混合分类器25-343.1引言 25-263.2ADABOOST 集成方法 26-273.3 基于 ADABOO

5、ST 的产生式/ 判别式混合分类算法（ACGDM） 27-293.3.1ACGDM算法27-283.3.2 理论分析28-293.3.3算法时间复杂度分析293.4实验和结果29-333.4.1 实验数据集29-303.4.2实验分类器及实验平台30-313.4.3实验结果及 分析31-333.5小结33-344基于遗传规划的产生式/判别式混合分类器 34-454.1引言34-354.2遗传规划及符号回归35-364.2.1遗传规划论文Z二专家35-364.2.2符号回归364.3基于遗传规划的产生式/判别式混合分类模型36-394.3.1基本思想及算法36-374.3.2参数设置37-394.4实验和结果39-434.4.1实验数据39-414.4.2实验结果与分析41-434.5小结43-455结论和展望45-475.1结论455.2进一步的工作展望45-47参考文献4750致谢50-51攻读硕士学位期间发表的论文51-52本论文购买请联系页眉网站。