优化合成样本分布的加权过采样方法

针对不均衡数据分类问题中原有过采样方法在生成样本分布上存在的不足,文章提出改进合成样本分布的加权过采样方法——WKSMOTE(Weighted SMOTE for WKMeans preprocess)。首先,应用聚类算法中的WKMeans算法对原数据集进行预处理,进而划分少数类样本,使每个样本生成不同数量的新样本;然后,应用SMOTE算法合成新样本,增强决策边界;最后,将过采样后的均衡数据集在随机森林分类器中进行训练。实验结果表明,WKSMOTE方法对不均衡数据集的整体分类性能有一定的提升,验证了方法的有效性。

基于样本分布的类别均衡化方法

为解决样本类别不均衡问题,提出基于样本分布的类别均衡化算法。采用单类支持向量机和近邻法学习多数类样本,净化类别不清的分布边界;采用密度聚簇算法对少数类样本聚簇,根据每个类簇的权重决定每个类簇生成的样本数,平衡类簇间的样本数量;根据每个簇的边界样本与非边界样本数量比值,确定每个样本权重,采用SMOTE合成少数类样本。采用UCI数据集实验对比和地震数据分析应用,验证了算法在不同分类模型均可提高分类精度。

基于样本分布特征的数据投毒防御

流量分类模型在更新过程中易受数据污染的干扰而降低模型性能,现有基于数据清洗的防御方法需依赖专家经验和人工筛选,且无法有效应对利用未知分布样本构造的投毒攻击。针对上述问题,受分布外检测和判别主动学习的启发,设计一种基于样本分布特征的数据投毒防御方法,通过二分类判别器筛选每轮新增样本中的已知及未知分布样本。对于新增的已知分布样本,通过模型预测与标注结果一致率评估新增样本的数据质量,决定是否进行模型更新;对于新增的未知分布样本,则利用基于标注正确率的少样本抽检评估样本可用性。实验结果表明,该方法在抵御数据投毒攻击的同时可以保证模型准确率,并有效识别利用未知分布样本构造的数据投毒攻击。

从熵均值决策到样本分布决策

为了研究归纳学习的判决精度问题,分析了C4.5算法的不足以及标准算法与亚算法之间争论和妥协的根本原因,从估计训练样本的概率分布的角度出发,给出了一种简单而新颖的决策树算法.基于UCI数据的实验结果表明,与C4.5算法相比,该方法不仅具有比较好的判决精度,而且具有更快的计算速度.

基于样本分布特征的核函数选择方法研究

核函数选择是支持向量机研究的热点和难点。目前大多数核函数选择方法主要应用验证方法选择,很少考虑数据的分布特征,没有充分利用隐含在数据中的信息。为此提出了一种应用样本分布特征的核函数选择方法,即先行分析样本分布特征,然后结合核函数蕴含的几何度量选择合适的核函数,使非线性样本映射得到的特征空间线性可分性得到提高,增强可分性和预测能力。仿真结果证明,提出的方法对支持向量机核函数选择能提供有效的指导,且对泛化能力也得到提高,方案具有可行性和有效性。

基于样本分布与熵的数值型属性离散化

连续属性的离散化是数据预处理的重要工作。论文分析了基于熵的离散化方法的不足,从估计训练样本的概率分布的角度出发,提出基于样本分布与熵相结合的处理数值型属性的方法。基于UCI数据的实验结果表明,该方法不仅具有比较好的判决精度,而且具有更快的计算速度。

基于增益的数据样本分布描述方法

针对高维离散型分类数据的样本分布描述问题,提出基于增益的得分比方法,策略是根据属性和属性值的重要程度,为每个样本计算得分比,从样本对分类的隶属度角度描述各分类中样本的分布。得分比的概率密度曲线和直方图可以直观反映出在每一分类中典型样本和噪声样本的分布情况。

基于支持向量机的不平衡样本分类研究

分类问题是机器学习领域的重要研究方向之一。支持向量机是一种基于结构风险最小化的学习机器,在解决分类问题上有着出色的效果。但基于支持向量机的分类器在处理不平衡样本时,对少类样本分类准确率偏低。诸多研究在对此问题做分析时往往把主要原因归结为各类样本间数量上的不平衡,而没有充分考虑样本点在特征空间上的分布情况。针对此问题做出原因分析,并给出结论:样本的不平衡性主要是由特征空间下各类样本的分布所决定的,而和数量上的不平衡关系较小。通过实验验证结论的科学有效性。

在用摩托车样本分布和活动水平分析

以全国在用摩托车样本分布、活动水平为研究对象,以问卷调查的方式实施调研,对调研结果统计整理,得到在用摩托车的样本分布和活动水平不同层面的统计数据,如实反映摩托车的实际情况。方差分析结果表明,使用分层随机抽样,可以避免简单随机抽样过于集中于某个地区或某种特性的缺点,使样本能够覆盖整个调研对象。

优化样本分布的最接近支持向量机

当两类样本分布存在差异时,最接近支持向量机(Proximal Support Vector Machine,PSVM)等最小二乘类分类器分类结果将出现偏差,不能实现最小错误率分类.本文在分析PSVM等价广义特征值分解模型基础上,提出了一种改善原PSVM分类决策面的优化样本分布PSVM,其基本思想是通过引入最大化正确分类样本距决策面距离,同时最小化错误分类样本距决策面距离的优化样本分布正则化项,构造优化样本分布PSVM的广义特征值分解模型.通过人工数据集和UCI数据集的10个数据子集上的对比实验,验证了该改进分类模型能够有效调整决策边界,从而获得更好的分类效果.

ARCH、GARCH模型参数估计样本分布的Monte Carlo研究

本文使用ＭｏｎｔｅＣａｒｌｏ方法对常用的ＡＲＧＡＲＣＨ一类模型的样本分布性质进行了讨论．重点讨论了在小样本条件下ＡＲ（１）ＧＡＲＣＨ（１，１）模型与通常模型参数估计分布性质及预测精度；使用序贯数论优划（ＳＮＴＯ）算法与使用ＢＨＨＨ算法对ＡＲ（１）ＧＡＲＣＨ（１，１）模型估计结果的优劣比较；Ｋ－Ｓ统计量检验方法与常用的ＬＭ统计量有效性的比较．

课程教学本分的回归:完整性、对话性、高深性

课程建设是新时代高等教育内涵建设的重要抓手,而回归课程教学本分是必然要求。回归本分的课程教学应遵循一些基本的要求:重视教学目标的完整性,以达至人的全面和谐的发展;强化教学过程的对话性,以深化教学过程的内涵;坚持课程教学的高深性,以体现高等教育的本质属性。

基于样本分布信息的自适应Hough变换方法

参数空间的量化单位影响霍夫变换(Hough transform,HT)提取直线特征的精度,为此提出一种霍夫变换中参数空间量化单位自适应调整的方法——自适应霍夫变换(Adaptive HT,AHT)方法.首先,根据采样数据建立样本统计模型,并确定该模型的参数;然后,根据模型参数随量化单位的变化趋势以及样本信息的分布特征,给出量化单位的自适应调整策略,从而获取优化的量化单位;最后,将优化的量化单位应用于霍夫变换特征提取.实验结果表明,在结构化环境中,该方法能够实现优化量化单位的目标,从而有效减小了直线特征检测误差,提高了检测精度.

“回归本分”视角下新建本科院校的师德建设

在新建本科院校井喷式发展背景下,师德建设方面出现了经师型与人师型的冲突、言教型与身教型的矛盾、园丁型与撞钟型分化。这些冲突、矛盾及分化,既有新建本科院校历史及现实的问题,又有经济社会发展的现实问题。新建本科院校应着力于回归到教书育人这一本分,完善教书育人的人才培养体系,完善教书育人的运行基本机制,树立教师师德师风模范引领风尚,坚持道德高标与道德底线结合理念。

坚守本分与超越本分

常言道干一行,爱一行,但爱须专注,此道德使然。作为基础课的数学教员尤是,其自身所处的位置便要求具备长久的心甘情愿的心理素质,一檐一瓦,虽出头露面,需承风雨;一阶一石,虽盘足覆顶,需守安稳。 值大学毕业,即为人师。初时对专业前沿研究无望之遗憾,渐由对职业转换角色神圣之惶恐所取代,继而静气平心,以思来日。 数学是一切自然科学和部分社会科学的基础,也是专业院校独立科研项目极少、辗转余地有限的学科,此是专业院校数学教员无法改变的大气候。承认它。

传统政治中官吏群体的本分要求及其困境

选贤使能是中国传统和谐政治思想和治国方略的重要内容,保证官吏群体的良好政治品格是古代政治着力关注的重要方面。传统政治中官吏群体的本分要求具有多样性和多义性,这些特点使官吏在实际的政治活动中经常处于左右为难的境地,从而严重影响到官吏群体的现实表现,使国家政治在不知不觉中走向颓败。

地方师范院校教师“回归本分”存在的问题及对策

地方师范院校教育教学质量的高低直接影响基层中小学教育及学前教育的质量,应重视与认识到地方师范院校教师“回归本分”的重要性。学校应当从新教师招聘、职称晋升等方面提高师德、教学能力考核等比重,将教学奖励提高到与科研奖励同等地位,同时应运用多种媒体工具坚持不懈地宣传教学先进典型,让在校师范生切身感受教师职业的崇高,进而坚定其扎根教学岗位服务基层的信念。

除本分成制——社会主义社会工资的一种分配方式

社会主义社会劳动者是国家的主人,认为从除本分成制的原理出发来制定工资分配制度更能体现劳动者的主人翁地位。根据马克思对工资的定义从除本分成制原理的角度论述了社会主义工资的分配。

简介水泥实验室常用样本分布特征值的Excel计算

以水泥实验室常用样本分布特征值为例,运用Excel进行数据分析的辅助计算,显示了Excel运算迅速、准确的优点。