分類模型的不匹配問題及其解決方法.pdf

1、隨著計算機軟硬件技術的不斷發(fā)展，大量的數(shù)據(jù)得以收集。與此同時，原有的數(shù)據(jù)處理及分析技術面臨著越來越多的挑戰(zhàn)。分類是機器學習和數(shù)據(jù)挖掘的一項基本任務，如何構建泛化能力更強的分類器一直是計算機領域的熱點問題。
　　大多數(shù)分類技術都是基于一定的假設建立模型的。當數(shù)據(jù)匹配模型時，分類效果會很好；而當不匹配時，分類的效果往往會很差。如何解決分類模型的不匹配問題是本文的核心議題。概括來講，本文的主要工作包括以下幾個方面：
　　1)介紹了

2、一種新的解決復雜、高維數(shù)據(jù)的基于聚類的分類方法（Decision Cluster Classifier，DCC），通過分析指出其在特征異構時會導致模型不匹配的問題，并提出了一種新的基于路徑的分類策略PDCC以解決DCC的模型不匹配問題。
　　2)提出了一種新的決策樹構建方法以用來集成隨機森林。一般來講，決策樹容易產(chǎn)生過擬合現(xiàn)象，這也是一種比較特殊的模型不匹配問題。目前，用來解決這一問題的主要方法是通過集成多棵隨機決策樹的方式來構建

3、集成分類器。但現(xiàn)有方法存在效率低下，差異性難以控制等問題。本文提出了一種新的基于專屬隨機決策樹的隨機森林算法，以有效解決多類數(shù)據(jù)中決策樹的模型不匹配問題。
　　3)提出了一種新的半監(jiān)督分類算法以解決聚類標記(Cluster-and-Label）的模型不匹配問題。半監(jiān)督分類一般基于一定的假設運行，其中聚類假設是一個最常用的假設。聚類標記法可以簡單看作直接基于聚類假設運行的一類半監(jiān)督學習技術，但它的性能受到聚類質(zhì)量的嚴重制約。本文則提