应用导向下的“统计学习方法”教学探索与实践

“统计学习方法”是以数据为研究对象、以计算机及网络为平台、通过统计理论建立模型并对数据进行分析和预测的学科,该课程的学习有助于提升学生的实践意识和应用意识,满足大数据时代下对统计数据分析人才的需求。本文在大数据环境下,以应用人才培养为导向,以统计数据分析方向的学生为服务对象,深入挖掘“统计学习方法”在专业课程体系中的地位和作用,构建了适应于数据分析背景的课堂教学和实验教学体系,有助于提升学生的创新思维和实践能力,培养多元化创新型人才。

基于统计学习算法的学生就业服务平台数据分类方法

学生就业是高等教育质量管理工作的核心,学生就业服务平台是解决学生就业困难的新方法。为了更好地为学生提供就业服务,提出一种基于统计学习算法的学生就业服务平台数据分类方法。采用信息熵和信息增益指标选择学生就业服务平台数据样本特征属性,利用主成分分析法融合学生就业服务平台样本数据特征信息。在此基础上,基于统计学习算法中的朴素贝叶斯算法,将融合后的学生就业服务平台样本数据特征信息输入到朴素贝叶斯分类器模型中,结合先验概率和后验概率,实现学生就业服务平台数据分类。实验结果表明,所提方法的ROC曲线面积达到整体有效面积的98%以上,分类准确率高达95.8%,分类时间仅为5.38 ms,具有较好的学生就业服务平台数据分类效果,可以提高分类精度,有效缩短分类时间。

数据科学专业核心课程的教学设计与思考——以统计学习课程为例

以统计学习为代表的数据科学课程在国内统计学本科教学发展中仍处于初级阶段,其课程设计和教学内容都有待探索。统计学习课程是统计学专业培养中的核心课程,也是统计学各个前沿方法所融合的学科。统计学习课程的授课内容涉及统计学经典思想应用、缺失数据分析、时空数据建模、重抽样方法、判别分析、决策树和神经网络等各类方法。该研究重点分析该课程在经济管理学院为代表的数据科学相关课程建设中的定位,以及该课程教学目标、教材选择、教学内容等环节的设计。

双语者的统计学习研究进展

双语者(即能够使用两种语言的人)具有认知优势。近年来,双语者在统计学习方面的能力引起了学术界的广泛关注。统计学习,作为人类认知的一个重要组成部分,是指个体在外部环境的连续刺激流中逐渐发现刺激的统计规律的过程。该文旨在梳理国外双语者统计学习研究的相关文献,并探讨其发展趋势。

基于统计学习理论的电力系统暂态稳定评估

该文利用基于结构风险最小化原理的支持向量机,结合装袋和近似推理,提出了电力系统暂态稳定评估模型的构造方法。该方法充分发挥支持向量机在解决有限样本、非线性及高维识别中体现出的优势,有效地提高了暂稳评估模型的泛化能力,并通过训练样本集重构解决了暂稳评估的多类识别问题,在该评估模型中利用样本规范化、装袋和近似推理提高了训练速度和预测结果的精度及稳定性。在IEEE39节点测试系统中的应用结果证明了该方法对暂态稳定评估的有效性。

基于场景模型与统计学习的鲁棒行人检测算法

提出一种基于场景模型和统计学习的行人检测算法.针对训练行人检测器时面临的动态场景的复杂性和行人样本多样性等问题,通过背景建模,从场景的背景图像上提取有限的负样本用于训练,大幅度提高了分类器的检测率,同时降低了虚警;提出一种快速弱分类器选择算法,根据正、负样本特征大小的分布和期望的检测率,直接求解特征大小的阈值范围,能够满足在线训练和更新检测器的要求;提出一种基于正样本错误率的训练算法,先根据正样本加权错误率选择弱分类器,快速提高检测率,在训练结束后调整最终分类器的加权系数,在保证检测率的同时尽可能降低虚警率.实验中构建了一个试验视频数据库和行人样本库,数据库包括雨、雪、阴影、季节变化、摄像机平移、旋转、缩放等情况,并设计实现了一个实时行人检测系统BMAT(Background modeling and Adaboost training),实验结果证明了算法的有效性.

基于统计学习理论的支持向量机预测模型

针对测试人体脂肪含量相对比较复杂的问题,文章根据日常测试的包含14个特征值的样本数据,设计了一种基于统计学习理论的支持向量机预测方法。通过四种常用核函数和监测均方根误差与平方相关系数两项关键指标,对比分析实验表明利用支持向量机预测人体的脂肪含量具有很好的效果。

用统计学习理论预测变压器油中溶解气体浓度

提出了一种新的预测电力变压器油中溶解气体浓度的方法 ,该方法通过构造支持向量机 (SVM)和进行 Ad-a Boost加强推理 ,很好的利用了 SVM解决有限样本问题的优势 ,提高了预测精度和泛化能力。

小样本机器学习理论:统计学习理论

统计学习理论是由Vapnik等人提出的一种有限样本统计理论 ,是模式识别领域新近发展的一种新理论 ,着重研究在小样本情况下的统计规律及学习方法性质。它为小样本机器学习问题建立了一个较好的理论框架 ,也发展了一种新的通用学习算法———支持向量机 ,较好地解决了小样本机器学习问题。该文旨在介绍统计学习理论的基本思想、特点。

支持向量机的理论基础——统计学习理论

支持向量机是机器学习领域的研究热点之一,其理论基础是统计学习理论。该文严谨且通俗地描述了这一理论的概貌,并提出有附加信息的统计学习理论的设想。

基于统计学习理论的海色遥感叶绿素浓度反演方法

根据卫星遥感信息反演叶绿素浓度对估计水域初级生产力的重要作用,分析已有反演方法的不足之处;尝试将基于统计学习理论的复合核函数方法引入到这一领域,并用SeaBAM的数据进行实验,结果显示该方法性能优良;从理论上分析其在样本数较少的情况下,核函数方法可以避免过学习的原因;与神经网络法和传统的经验方法相比,该方法体现出较大的实用价值和较好的应用前景。

基于名人面孔视觉特征和语义信息的视觉统计学习

视觉统计学习是指个体依据视觉刺激之间的转接概率来掌握统计规律的过程。本研究通过5个实验探讨了个体基于名人面孔视觉特征和语义信息进行视觉统计学习的加工机制。每个实验均包括熟悉(学习)和测试两个阶段:在熟悉阶段,让被试观看名人面孔并完成重复图片探测的无关任务;在测试阶段,让被试进行二选一迫选任务。其中,实验1和2分别考察基于名人面孔视觉特征和语义信息的视觉统计学习效果;实验3分别考察基于名人面孔视觉特征和语义信息视觉进行统计学习的精确性;实验4进一步考察基于名人面孔视觉特征和语义信息进行视觉统计学习的时间特征;实验5验证基于名人面孔视觉特征的视觉统计学习具有面孔特异性。结果表明:个体能同时基于名人面孔视觉特征和语义信息进行精确的视觉统计学习;基于正立名人面孔的视觉统计学习效果显著高于基于倒置名人面孔的视觉统计学习效果;虽然基于视觉特征和语义信息的统计加工都具有一致的精确性,但后者需要更多的加工时间。这提示:基于名人面孔视觉特征的视觉统计学习具有面孔特异性,个体基于名人面孔视觉特征和语义信息的视觉统计学习过程是分离的,统计运算发生于面孔特征加工完成之后。

基于统计学习模型的句法分析方法综述

句法分析是自然语言处理领域中重要的基础研究问题之一。近年来,基于统计学习模型的句法分析方法研究受到了广泛关注,多种模型与算法先后被提出。从采用的学习模型和算法类型着手,该文系统地对各种主流和前沿方法进行了归纳与分类,着重对各类模型和算法的思想进行了分析和对比,并对中文句法分析的研究现状进行了综述;最后,对句法分析下一步的研究方向与趋势进行了展望。

采用群体统计学习的量子进化算法

针对传统量子进化算法采用精英个体作为吸引子,存在种群学习范围窄、优秀基因易丢失的缺陷,提出了一种采用群体统计学习的量子进化算法.该算法抛弃了传统量子进化算法中的精英保留策略,通过截断、比例、竞赛选择等方式对进化过程中优秀群体统计分析后构建整个种群的吸引子,避免了以单一个体为单位的学习方式,能较为全面地从整个优秀种群学习知识,并保留群体的优秀基因信息.同时,吸引子每代更新,避免了采用精英保留策略易陷入局部极值的问题.通过测试实验表明,提出的算法搜索精度和效率提高,收敛速度更快,算法综合性能提高.

基于统计学习的试题难度系数修正算法

试题的难度系数是自动生成考试试卷、影响考试质量的一个重要因素。然而,如何准确确定试题的难度系数是考试系统的一个难点。提出将试题的难度系数分为理论难度系数G和样本难度系数Gk,并将序列{Gk}构造到Hilbert空间上,利用Hilbert空间的完备性,得出了序列{Gk}收敛于G。最后利用统计学习理论的经验风险最小准则,构造了Gk的一个学习器模型,该模型建立在严密的数学理论基础之上,具有收敛速度快和根据考试样本数据进行学习修正的特点。

机器智能与模式识别研究中的统计学习方法

简要介绍了学习算法的发展状况 ;讨论了机器智能与模式识别研究中的统计学习方法和图模型的一般理论 ;重点叙述了图模型的统计推断过程和学习算法以及应用统计学习方法解决问题的一般步骤 ;最后给出了用于时间序列分析的动态贝叶斯网络的实例 .

基于统计学习理论的提高采收率潜力预测

将近年来在统计理论方面的最新研究成果引入到提高采收率潜力分析中,对自组织、改进型BP神经网络、支持向量机3种方法在提高采收率潜力预测中的应用进行了探讨。3种方法的对比研究表明,在所用样本较少的条件下,支持向量机方法能够兼顾模型的通用性和推广性,即由有效的训练集样本得到的小的误差能够保证对独立的测试集的误差仍保持较小,该方法具有较好的应用前景。

统计学习理论及支持向量机概述

针对传统统计模式识别理论中基于大数定理的假设,介绍了统计学习理论和以该理论为基础的支持向量机模式识别方法。指出了以结构风险最小化为原则的分类器设计方法,即同时兼顾分类能力最优化和经验风险最小化。支持向量机是统计学习理论的VC维理论和结构风险最小原理的具体实现,他通过非线性变换将输入空间变换到一个高维空间,然后在这个新空间中求取最优线性分类面。

粒计算与统计学习理论

互联网信息时代,如何从复杂的数据中进行有目标的数据挖掘是很多领域的一个中心问题。目前针对此问题的方法大多是基于统计学习理论的机器学习方法,并且粒计算在数据挖掘问题中有着广泛的应用。将粒计算方法与统计学习方法相结合,提出了一个更优的粒计算统计学习方法。给出了一个基于粒计算的统计分类算法,并与支持向量机(support vector machine,SVM)、覆盖算法进行了比较,实验表明通过粒化所得到的支持向量求解出的分类结果较优。

基于双重随机样本的统计学习理论的理论基础

介绍双重随机理论的基本内容。提出双重随机经验风险泛函,双重随机期望风险泛函,双重随机经验风险最小化原则等概念。最后证明基于双重随机样本的统计学习理论的关键定理并讨论学习过程一致收敛速度的界。为系统建立基于不确定样本的统计学习理论并构建相应的支持向量机奠定了理论基础。