機器學習研究(編輯修改稿)
2025-08-15 19:44 本頁面
【文章內容簡介】 集合不滿足一致性假設，采用不確定性來補充，以使得模型與實際世界的統計分布一致。 ? 措施： ? 軟邊緣：將邊緣改為軟性 (有個范圍 )，以適應需要。 ? 集成機器學習：多個分類器集成，以使用不同模型補充一個模型的不足。 集成機器學習動機 ? 弱分類器設計簡單。 ? 在理論上似乎與 Madaline類似。 集成機器學習 ? 1990年 Shapire證明，如果將多個弱分類器集成在一起，它將具有強分類器的泛化能力。 ? 進而，又說明，這類集成后的強分類器具有統計學習理論的基礎。 弱分類器 ?如果一個分類器的分類能力 (泛化 )稍大于 50%，這個分類器稱為弱分類器。 ?這意味著，比擲硬幣猜正面的概率稍好，就是弱分類器。 集成 ? 在分類時，采用投票的方式決定新樣本屬于哪一類。 ? 由于每個分類器的分類能力不同，在集成時，需要對所有分類器加權平均，以決定分哪類。 為什么吸引人 ?弱分類器比強分類器設計簡單 ?以統計學習理論為基礎 Vapnik的貢獻 ? 給出了可以指導機器學習算法設計的泛化理論。 ? 成為一種機器學習的規(guī)范。 ? 建立了從數據到分布的基本方法。 ? 以后機器學習的研究必須考慮從數據到分布的歸納機理問題。 ? R 復雜數據分析 ?復雜數據分析的一般性說明 ?符號機器學習 復雜數據分析 一類需求 ? 機器學習研究方興未艾，還有大量的理論與技術問題未解決。 ? 由于獲得數據的手段的改善，在各行各業(yè)人們可以方便地獲得越來越多的數據。但是，這些數據的積累也帶來副作用，一方面，消耗大量資源，另一方面，無法使用的數據，就是垃圾。 ? 另一個任務悄悄興起，這就是復雜數據分析。 基于統計的數據分析不能滿足需求 ? 在某些行業(yè)，僅僅依賴積累的數據所建立的模型不能準確地預測未來。 ? 原因是：對大多數情況， ? 積累的數據與未來將發(fā)生的事件不滿足一致性假設，而是可能相差甚遠。 ? 個別事件可能比統計顯現的事件更為重要。 例如 ? 零售業(yè)：積累的數據只能部分指導未來的進貨策略與銷售策略，特別是變化快的行業(yè)，例如，音像制品。 ? 電信業(yè)：對長久大戶的特殊服務，對電信業(yè)至關重要。從海量數據中發(fā)現這些用戶僅僅使用統計方法是不夠的。 ? 情報分析：尋找不同常規(guī)行為的事件。 人們不相信模型 ? 由于大多數數據集合不能滿足一致性假設，使得人們可能不一定相信來自觀測數據所建立的模型。 ? 醫(yī)療診斷、零售業(yè)的各種問題、經濟分析等專家系統所面臨的問題就于此有關。 閱讀數據的需求 ? “ 一致性假設 ” 不滿足，導致人們閱讀數據的需求。 ? 人類閱讀數據能力是有限的，需要計算機幫助。 ? 例如，在電信業(yè)、數據服務業(yè)、零售業(yè)、股票證券業(yè)，每天的數據量在 1068。 ? 假設每頁 A4有 1000字符，這大約 1035頁。 ? 假設人一分鐘可以閱讀一頁，大約需要 1035分鐘， 161600小時， 。 ? 對一定的需求，在保持需求信息不丟失的條件下，減少數據長度是閱讀數據的必要條件。 未來十年關鍵性的研究課題 ? 對大多數情況，一致性假設完全不能滿足，甚至不能假設其近似滿足。 ? 隨著獲得數據越來越容易，這個問題將越來越突出。 ? 目前計算機 90%的處理量是符號性的，只有 10%是數值性的，未來的情況將可能與這類似。 復雜數據分析的要求 ? 需要考慮每個被觀測 (積累 )數據在這個領域中所扮演的角色。 ? 需要考慮不同用戶在共享同一個數據集合的不同需求 (包括解與解的長度 )。 ? 傳統的統計分析方法不能滿足這些要求，需要研究觀測數據的內在結構。 ? 這類研究也可以稱為數據描述。 用戶需求 ? 對同一個數據集合，可能有不同的用戶共享，而不同用戶需要不同的解答。 ? 這與機器學習具有不同的目標。 ? 一般地說，機器學習以一個統計函數為目標，而數據描述則必須根據不同需求的前提下建立不同的目標。 應用領域 ? DNA功能分析。 ? 電信數據客戶分析。 ?
環(huán)評公示相關推薦
鄂ICP備17016276號-1