基于假设间隔的弱随机特征子空间生成算法

集成算法是机器学习领域的研究热点。随机子空间算法是集成算法的一个主要算法。随机子空间生成的特征子集可能含有冗余特征、甚至噪声特征,影响算法的分类精度。为此,提出了一种基于假设间隔的弱随机特征子空间生成算法(WRSSimba),有效去除了特征子集中冗余特征和噪声特征。在UCI数据集上的实验结果表明,WRSSimba的分类性能优于随机子空间算法和Simba算法。

基于假设间隔的弱随机特征子空间生成算法

集成算法是机器学习领域的研究热点。随机子空间算法是集成算法的一个主要算法。随机子空间生成的特征子集可能含有冗余特征、噪声特征,影响算法的分类精度。为此,本文提出了一种基于假设间隔的弱随机特征子空间生成算法(WRSSimba),有效去除了特征子集中冗余特征和噪声特征。在UCI数据集上的实验结果表明,WRSSimba的分类性能优于随机子空间算法和Simba算法。

Relief算法在笔迹识别中的应用

Relief及其扩展算法是基于最大化假设间隔的特征选择算法,能够快速进行高维度的特征选择。该文围绕汉字笔迹识别,探讨了多类别、样本数量偏差情况对算法过程的影响。文中提出了一种有效应对数量偏差的算法过程,并成功运用于约简高维的笔迹特征。实验表明,改进后的算法不仅节约了处理时间,也进一步改进了特征选择的有效性。

浅析Relief算法设计思想在电子证据分析中的应用

Relief算法是基于最大化假设间隔进行特征权重计算。论文围绕Relief算法,提出了一种在电子证据分析中的应用算法思想,该算法不仅能快速集约电子证据中的特征行为,节约处理时间,也为进一步掌握犯罪嫌疑人的行为模式提供了便捷。