基于out-of-bag样本的随机森林算法的超参数估计

随机森林是一种有效的分类树集成算法,但为了使它具有较高的预测精度,要采用某种方法确定其超参数的最优值.在不额外增加计算复杂性的前提下,提出了一种基于out-of-bag样本估计其超参数取值的方法.仿真试验的结果表明,利用文中提出的方法所选取的超参数在多数情况下都能使随机森林算法的分类效果达到最优.

Out-of-bag样本的应用研究

Bagging集成通过组合不稳定的基分类器在很大程度上降低"弱"学习算法的分类误差,Out-of-bag样本是Bagging集成的自然产物。目前,Out-of-bag样本在估计Bagging集成的泛化误差、构建相关集成分类器等方面得到了广泛应用。文章对Out-of-bag样本的应用进行了综述,阐述了对其进行研究的主要内容和特点,并对它在将来可能的研究方向进行了讨论。

时空地理加权回归模型及其拟合

基于加权最小二乘原理,给出了时空地理加权回归模型的拟合方法,以及与之相关的权函数选取原则和确定窗宽参数的交叉确认法.

时空加权回归模型的变窗宽局部估计

基于合变系数模型的局部线性估计方法与时空加权回归(GTWR)拟合方法,给出了时空加权回归模型的局部估计方法,并在其中嵌入一个变窗宽以提高其估计精度.

时空地理加权回归模型的拟合分析

时空地理加权回归模型是基于地理加权回归模型的一类有效的空间数据分析方法,主要研究该模型在数据删除模型的基础上系数函数的估计及删除观测点后对整个模型的影响,并且给出了权函数的选择方法.

支持向量机在柴油机尾气分析中的核模型选择

研究支持向量机(SVM)中常用核函数及其参数对分类效果的影响。在此基础上,联系柴油机尾气数据,应用交叉确认法(CV)得到在该数据集下拥有不同常用核函数的SVM的最优参数,及在最优参数下SVM的三个性能指标,即对训练集的交叉确认准确率、对测试集的分类准确率和寻优时间。对比各性能指标,结果表明:对于柴油机尾气数据,径向基核函数模型所对应的训练集交叉确认准确率最高,而其测试集分类准确率最低;线性核函数模型的寻优时间最短。综合考虑SVM的学习能力、外推能力及寻优时间,决定选择线性核函数作为SVM在柴油机尾气分析中的核模型。

半变系数模型的Back-Fitting估计

针对半变系数回归模型给出了一种后向拟合方法,该方法可得到模型中常值系数估计量的精确表达式;同时给出了实验设计方法和数值模拟结果,用于验证所提出的估计方法对估计常值系数具有满意的精度和稳定性.

半参数空间变系数模型的局部线性二阶段估计

针对半参数空间变系数模型,利用二阶段估计方法借助于局部线性拟合技术给出了模型中常值系数估计量的精确表达式;同时给出了实验设计方法,用于验证所提出的估计方法对估计常值系数具有满意的精度和稳定性.