365bet线上注册_365bet提款速度

当前位置: 主页 > 365bet怎么提款 >

基于Dirichlet混合过程的半监督分类模型研究

更新时间:2019-08-17 09:04
人气:
基于Dirichlet混合过程的半监督分类模型研究
梁镇凤
摘要:在机器学习领域,大多数机器学习算法都是基于数据样本独立且相同分布的假设。
其次,在实际情况中,使用独特的分类模型来预测未知样本的标签,但泛化能力通常较低。
非参数贝叶斯方法根据数据样本的分布自适应地调整模型的结构,使其自身适应数据样本不是独立的属性,并以相同的方式分布,并有效地避免它可以。传统贝叶斯模型中的缺陷主要基于先验假设。
并且,对于非参数贝叶斯模型,半监督领域的研究结果很少。
在这方面,该文献提出了用于半监督Dirichlet混合过程分类(SDPMC)的一般模型框架。
通过构造Dirichlet混合过程与分类模型的融合,可以根据数据分布的特征将分类器划分为若干子分类模型。
该算法的特点如下:
1)模型框架是一种生产模型。基于贝叶斯框架,生产模型可以反映更多的数据信息能力。
(2)虽然模型的框架不是Dirichlet混合过程和分类器融合的简单线性叠加过程,但Dirichlet混合过程和局部分类模型是通过最大化概率一起学习的。作为双方的共同目标培训模式|文献信息| J-GLOBAL
(3)模型框架自然可以扩展到半监督场景。通过半监督整合,监督和半监督被集成在半监督的应用场景中,并且进一步使用标记的模型和未标记的样本训练模型帧。能够推广分类器。
SDPMC是一个通用的模型框架。
为了验证其性能,本文档选择了多变量逻辑回归模型作为分类器,并构建了混合Dirichlet过程和多变量逻辑回归模型,并结合半监督学习场景作为模型的一个示例。SDMPC
最后,为了完成整个模型的推导和验证,我们使用了图形模型领域常用的测试后推导方法。使用马尔可夫链的一般蒙特卡罗采样算法对模型中的隐藏变量进行采样,例如吉布斯采样或哈密顿采样。
与实验场景相比,具有不同精度实验和训练样本比率的实验具有优于其他分类算法的优点。
[补助单位]:中山大学[年级]:硕士学位[补助年级]:2013年[分类号]:TP181
下载全文
更多类似的文件


上一篇:双世界墨水和吉祥物的结局是什么?
下一篇:没有了