基于不确定性的代价敏感半监督学习

发布时间：2023-05-20 10:02

　　随着大数据时代的到来,半监督学习越来越受到学者们的重视。半监督学习是一种监督学习与无监督学习相结合的学习方法,其训练集样本在使用有标签数据的同时也使用了大量的无标签数据。半监督学习常使用于分类中,传统的分类学习中考虑更多是如何提高分类正确率而忽视了误分类产生的损失程度。然而真实情况下,不同类别发生错误分类时往往会产生不同的损失程度,即代价敏感。因此依据数据样本输出的不确定性,在半监督学习框架下,本文基于针对代价敏感分类问题提出了一种数据样本再训练模型。其旨在降低误分类总代价,本文主要包括如下两部分工作:第一部分,提出基于不确定性的代价敏感半监督学习模型。在训练出一个代价敏感基本分类器即极限学习机(ELM)之后,根据数据样本输出的不确定性与误分类代价之间存在的某些特性,可以将较不容易分类错误的数据样本定义为高可信赖数据,同时将那些更加容易分类错误的数据样本定义为低可信赖数据。经过一次代价敏感的分类学习训练之后,可以从测试集中选出部分不确定性较小的数据样本及其预测类别作为高可信赖数据样本。基于半监督学习框架,将原训练集数据以及高可信赖数据作为新训练集进行重训练,从而可以得到一个新的分类学习...

【文章页数】：58 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
        1.2.1 半监督学习研究现状
        1.2.2 代价敏感研究现状
    1.3 本文的主要研究内容和创新点
    1.4 本文的组织结构
第2章 基本概念及相关知识
    2.1 不确定性
        2.1.1 几种不确定性介绍
        2.1.2 模糊性
    2.2 前馈神经网络学习模型
        2.2.1 传统前馈神经网络学习模型
        2.2.2 极限学习机(ELM)
    2.3 粗糙集与三支决策
    2.4 本章小结
第3章 基于不确定性的代价敏感半监督学习
    3.1 代价敏感ELM模型
    3.2 基于模糊性的样本分类
        3.2.1 基于模糊性的样本分类思路
        3.2.2 基于模糊性的样本分类算法
        3.2.3 实验分析
    3.3 半监督框架下的再训练模型
        3.3.1 再训练模型基本思路
        3.3.2 半监督框架下的数据再训练算法
        3.3.3 实验分析
    3.4 本章小结
第4章 基于不确定性的信息系统与三支决策模型
    4.1 基于模糊性的信息系统构建
    4.2 基于模糊性的粗糙集约简规则
        4.2.1 粗糙集约简
        4.2.2 基于模糊性的粗糙集约简算法
        4.2.3 实验分析
    4.3 基于不确定性的三支决策模型
        4.3.1 模糊集表示的三支决策
        4.3.2 构建三支决策模型
        4.3.3 三支决策模型的算法
        4.3.4 实验分析
    4.4 本章小结
第5章 总结与展望
    5.1 全文总结
    5.2 未来工作研究方向
参考文献
致谢
攻读硕士学位期间的研究成果



本文编号：3820917