6統(tǒng)計學習與人工神經(jīng)網(wǎng)絡研究-wenkub
2024-09-25 21 本頁面
【正文】 本文從技術(shù)的角度上總結(jié)分析這些模型的相同點與不同點，提供對這些模型分類性能的客觀分析。目前在機器學習中較受歡迎的是統(tǒng)計學習方法[13]和人工神經(jīng)網(wǎng)路[4，5]。通過測試發(fā)現(xiàn)所獲取的結(jié)果主要依賴于三個因素：模型構(gòu)建的數(shù)據(jù)集的質(zhì)量、所調(diào)整的模型參數(shù)和用于計算模型處理結(jié)果的評價標準。支持向量機關(guān)系的問題是：一個模型如何根據(jù)僅僅給出的特征集和訓練數(shù)據(jù)集在未知的數(shù)據(jù)集中進行預測。支持向量機的劣勢在于分類的是純粹的二分法，不會給出潛在的其他類別。k近鄰與其他算法相比的優(yōu)勢在于近鄰可以提供分類結(jié)果的解釋，在黑盒模型不足的時，這種基于實例的解釋更具有優(yōu)勢。神經(jīng)網(wǎng)絡的主要識別過程包括兩個：訓練模型和根據(jù)模型進行預測。神經(jīng)網(wǎng)絡最重要的組成部分是“神經(jīng)元”，每個神經(jīng)元可以看做是一個函數(shù)，可以向神經(jīng)元輸入數(shù)據(jù)，神經(jīng)元會輸出相應結(jié)果，神經(jīng)網(wǎng)絡往往具有眾多神經(jīng)元。 參考文獻： [1]hearstma，dumais
黨政相關(guān)相關(guān)推薦
鄂ICP備17016276號-1