基于mRMR与因子分解机的分类模型研究

发布时间：2021-02-21 22:53

　　很多学者用"全球恐怖主义研究数据库"GTD数据集,采用博弈论、K近邻法和支持向量机等分析恐怖事件的聚集性,已经取得一些成果.但在前期研究中未有很好考虑数据的稀疏性以及高维度多冗余等会导致聚集分类准确率不高的问题.本文提出一种基于最小冗余最大相关与因子分解机结合的TFM分类模型,使用增量搜索方法寻找近似最优的特征解决高维度多冗余问题和FM方法解决数据稀疏问题,并对预处理后的恐怖袭击事件数据用TFM模型做量化分类.文中使用朴素贝叶斯NB、支持向量机SVM、逻辑回归LR与TFM等4个模型的"马修斯相关系数"MCC进行比较,结果显示TFM的MCC相对于其他三个模型NB、SVM、LR分别提高了49.9%,2.5%,2.3%,可见TFM模型有一定可行性. 

【文章来源】：四川大学学报(自然科学版). 2020,57(01)北大核心

【文章页数】：7 页

【部分图文】：

mRMR选取特征子集对应的分类损失值

【参考文献】：
期刊论文
[1]改进的mRmR特征选择方法在人体行为识别中的应用[J]. 王华华,黄龙,周远文,赵永宽.  重庆邮电大学学报(自然科学版). 2019(02)
[2]因子分解机模型的宽度和深度扩展研究[J]. 燕彩蓉,周灵杰,张青龙,李晓林.  软件学报. 2019(03)
[3]基于区域标记法的代价敏感支持向量机在股票预测中的研究[J]. 秦璐,李旭伟.  四川大学学报(自然科学版). 2018(02)
[4]基于互信息和随机森林的混合变量选择算法[J]. 赵伟卫,李艳颖,赵风芹,魏洒洒.  吉林大学学报(理学版). 2017(04)
[5]机器学习与冲突预测——国际关系研究的一个跨学科视角[J]. 董青岭.  世界经济与政治. 2017(07)
[6]分类器性能评价标准研究[J]. 秦锋,杨波,程泽凯.  计算机技术与发展. 2006(10)



本文编号：3045041