融合朴素贝叶斯与决策树的用户评论分类算法

为了实现对用户评论的商业研究价值提取,解决互联网产品后续优化和增进服务问题,提出一种融合朴素贝叶斯与决策树的改进算法,处理文本中的噪声,避免零概率和属性值缺失的问题,从而提高分类准确率。该算法首先对用户评论数据作预处理,然后运用概率优化后的朴素贝叶斯处理空缺属性值,最后用决策树从积极和消极角度将数据进行分类。对微信公众号用户评论数据集进行实验,结果表明改进后的算法准确率达80.27%,比传统方法提高0.5%。

平均1-依赖决策树集成算法

基于平均1-依赖贝叶斯分类器(AODE)算法的思想,提出了平均1-依赖决策树集成算法(AODT),该算法通过使用每个输入属性和类别属性共同建立集成学习中的个体决策树分类器.同时,我们从多任务学习的角度探讨了AODE和AODT算法的工作原理.通过在Weka平台上使用40个UCI数据集的实验结果表明,该算法可以显著提高决策树学习算法的分类性能,并且具有很好的抗噪声性能.

P-AnDT:平均n依赖决策树的正例未标注学习算法

为了在仅有正例和未标注样本的训练数据集下进行机器学习(positive unlabeled learning,PU学习),提出一种可用于PU学习的平均n依赖决策树(P-AnDT)分类算法。在构造决策树时,选取样本的n个属性作为依赖属性,在每个分裂属性上计算依赖属性和类别属性的共同影响;然后分别选用不同的输入属性作为依赖属性建立多个有差异的分类器并对结果求平均值,构造集成分类算法。最终通过估计正例在数据集中的比例参数p,使该算法能够在PU学习场景下进行分类。在多组UCI数据集上的实验结果表明,与基于贝叶斯假设的PU学习算法(PNB、PTAN等算法)相比,P-AnDT算法有更好更稳定的分类准确率。

基于决策树算法在高校招生决策系统的应用与研究

随着高校生源质量的下降,提高高校考生的报到率是当务之急.分析影响报到率的条件,预测报到结果,能够为院校招生教学等工作提供有价值的参考依据.结合数据挖掘技术中决策树ID3算法建立决策树模型,并结合BMH模式匹配算法及朴素贝叶斯方法对ID3模型结论进行验证,对提高报到率具有一定的实用价值.

基于贝叶斯优化GBDT的转炉炼钢终点预测

为提高转炉炼钢终点碳含量和温度预报精度,提出基于贝叶斯优化梯度提升决策树(BOA_GBDT)的转炉炼钢终点碳含量和温度预测模型,将其与基础模型径向基函数(RBF)、支持向量机(SVM)、梯度提升决策树(GBDT)以及贝叶斯优化的径向基函数(BOA_RBF)、支持向量机(BOA_SVM)终点碳温预测模型对比分析。实验结果表明:BOA_GBDT各项误差指标最小,命中率最高,终点时刻碳含量在±0.01%误差区间内命中率为96.2%;终点温度在±10℃误差区间内命中率为92.1%。贝叶斯优化算法能够显著提升模型性能,更准确地判断转炉炼钢终点碳含量和温度,为吹炼出符合要求的钢水提供较为可靠的依据。

决策树分类算法中C4.5算法的研究与改进

C4.5算法是用于生成决策树的一种经典算法,虽然其有很强的噪声处理能力,但当属性值缺失率高时,分类准确率会明显下降,而且该算法在构建决策树时,需要多次扫描、排序数据集、以及频繁调用对数,针对以上缺点,本文提出一种改进的分类算法.采用一种基于朴素贝叶斯定理方法,来处理空缺属性值,提高分类准确率.通过优化精简计算公式,在计算过程中,改进后的计算公式使用四则混合运算代替原来的对数运算,减少构建决策树的运行时间.为了验证该算法的性能,通过对UCI数据库中5个数据集进行实验,实验结果表明,改进后的算法极大的提高了运行效率.

基于CHAID算法和贝叶斯网络的基金风险预警研究

随着基金业的迅猛发展,其风险日益突出,对基金业实行适当的风险监管显得尤为重要,这其中离不开风险预警模型的参与。研究发现目前金融预警模型主要针对宏观金融风险、银行业风险和企业财务风险等,对基金业风险预警模型的研究存在不足。同时,金融时间序列尖峰厚尾的特征也并不完全满足传统的参数检验方法。正是如此,文章采用CHAID和贝叶斯网络方法构建基金的风险预警模型,在CHAID的基金风险预警模型中,预测准确率约为0.766;而在贝叶斯网络的基金风险预警模型中,最优的预测准确率约为0.841。研究发现,不同的基金风险预警模型检出准确率会有所差别。因此,综合运用各个基金预警模型并进行定期调整是非常必要的。

一种实数编码多目标贝叶斯优化算法

提出了一种采用基于决策树概率模型表示各变量之间条件相关性的分布估算算法:实数编码多目标贝叶斯优化算法(RCMBOA)。通过构建这样的概率模型,继而对模型进行抽样以产生新个体。再对生成的新个体进行变异操作,以提高算法的搜索能力,增加种群的多样性。这种生成新个体的方法结合非劣分层与截断选择机制,可以很好地逼近多目标问题的Pareto前沿。同时,在进行截断选择时,每次只删除一个排挤距离小的个体,之后重新估算个体的排挤距离,以获得分布均匀的非劣解集。对于约束多目标优化问题,算法采用带约束支配关系判别个体的优劣。用该算法对8个较难的测试问题进行了优化计算,获得的非劣解集与NSGA-II算法得到的相比,非劣解集的质量更高,分布更为均匀。计算结果说明RCMBOA是一种有效、鲁棒的多目标优化算法。

Pareto强度值实数编码多目标贝叶斯优化算法

提出了一种采用基于决策树的贝叶斯网络表示各变量之间条件相关性的分布估计算法：Pareto强度值实数编码多目标贝叶斯优化算法（PSRCMBOA）。通过构建这样的网络模型,继而对模型进行抽样以产生新个体。再对生成的新个体进行变异操作,以增加种群的多样性,提高算法的搜索能力。这种生成新个体的方法结合基于强度值的适应度计算方式以及截断选择机制,可以获得很好地逼近多目标问题的Pareto前沿,且分布均匀的非劣解集。对于约束多目标优化问题,算法采用带约束支配关系判别个体的优劣。文中用3个较难的测试问题验证该算法的性能,并将其应用于Clipper飞船返回舱的气动布局多目标优化设计。PSRCMBOA对3个测试问题找到了很贴近Pareto前沿的非劣解集。对于Clipper飞船返回舱,算法获得了分布较宽且均匀的非劣解集。分析发现,为获得高升阻比,返回舱球头半径应选择在0.155-0.165 m之间、前锥半锥角应选择在20°左右、头锥底到返回舱底部的距离可选择在3.6-4.4 m之间、柱段长可在1.2-1.5 m之间。优化结果表明,该算法能够获得高质量的非劣解集,是一种有效的多目标优化算法,能够用于对复杂的工程问题进行优化设计。

决策树技术在高校招生决策中的研究与应用

通过介绍数据挖掘的概念和决策树分类方法,论述决策树技术中ID3算法的基本思想和改进方法,并用该算法对高校招生录取数据进行分析,建立基于改进决策树方法的高校招生决策应用研究模型,并运用模式匹配算法及朴素贝叶斯方法进行验证,分析出影响考生报到的潜在因素,为提高报到率提供参考依据。

基于DBT分类算法的银行贷款风险评估

银行贷款风险评估一直是金融界高度关注的主要问题,现有方法主要包括K-means聚类、BP神经网络、简单决策树、VAR方法等多种风险评估算法。但对于客户属性值缺失的案例,上述方法就很难达到良好的效果。为了解决属性值缺失的风险评估问题。提出了一种基于贝叶斯决策树算法的贷款风险评估算法(DBT),实验结果证明了该算法的有效性。

基于决策树的钻井工况智能识别方法

有效地提高钻井工作的安全性与生产稳定性,是当前钻井工作发展过程中面临的一个重要问题。本文针对钻井工况识别问题,基于钻井过程中多项监测数据,提出了一种基于决策树的钻井工况智能识别方法,并采用朴素贝叶斯算法、支持向量机以及钻井现场的实际钻井数据对该方法的有效性和准确性进行对比、验证,发现基于决策树的工况识别正确率最优且达到了97%。实验结果表明该方法能够实现钻井工况的智能识别,在一定程度上满足油田数字化与智能化的需求。

基于混合算法的电子商务推荐系统设计研究

针对目前电子商务推荐系统不能很好地为未注册用户服务的问题,根据未注册用户和注册用户各自特点采用两套不同的数据收集方案,以提高网站的友好性与数据的准确性。在推荐算法方面,由于决策树归纳算法与贝叶斯网络算法各有优劣,故将两种算法结合使用,并引入基于内容的算法思想对商品的各属性进行研究,以提高推荐的准确性。实验证明:上述方法能够很好地为未注册用户服务且基于混合算法的推荐优于基于单种算法的推荐。

数据挖掘中常用分类算法的分析比较

分类是最基本的一种认知形式,因此数据分类也是数据挖掘中一项非常重要的工作.随着大数据时代的来临,面对海量数据,各种分类算法和技术在准确性、时间效率、鲁棒性等方面都或多或少地出现了一些问题.在对数据挖掘中的分类技术研究的基础上,通过对各种常用分类算法的分析比较,总结了各自的优点、缺陷和适用情境,并对数据挖掘分类技术的未来发展进行了展望.

人工智能辅助医学图像处理专利现状

随着人工智能技术的飞速发展,人工智能(AI)在医学图像处理领域的应用日益广泛,人工智能辅助医学图像处理是将人工智能技术应用于医学图像处理领域中,上述人工智能技术主要涉及人工神经网络ANN、回归神经网络RNN、决策树、贝叶斯等人工智能算法。随着人工智能技术的成熟,人工智能技术在医疗健康领域的应用场景也在不断丰富,如疾病检测、诊断及治疗的计划的制定等方面均开始应用人工智能技术,这为居民健康质量的提升提供了新的方式。

基于混合分类算法模型的DNS隧道检测

分析了目前DNS隧道检测各种方法,重点研究基于机器学习技术的DNS隧道分类方法,针对目前DNS隧道检测只局限于特定隧道类别进行判别的不足,提出了采用多种分类算法进行组合分类决策的混合分类算法模型(CCAM)对DNS隧道进行检测与分类,CCAM算法采用了支持向量机(SVM)、朴素贝叶斯(NB)、决策树(DT)等3种机器学习分类算法进行混合分类、组合训练与加权求优。结果表明,混合分类算法模型(CCAM)对DNS隧道的检测能达到90%精度值。

四种机器学习算法预测大豆蛋白质定位对比研究

为探索不同缺失程度大豆蛋白质亚细胞定位预测的有效方法,提升大豆蛋白质亚细胞定位预测能力,本研究以1万条已知亚细胞定位位置的大豆蛋白质序列数据为研究对象,进行5%、10%、15%、20%和30%不同缺失比例完全随机缺失,分别运用SVM算法、朴素贝叶斯算法和随机森林算法和决策树4种机器学习算法预测缺失序列的亚细胞位置,对原始位置和预测后的位置进行相关性分析,对比分析不同算法的准确性和性能。结果显示:随机森林算法预测的准确率最高;朴素贝叶斯算法的运行速度最快;朴素贝叶斯算法的运行内存最小。在不考虑运行时间和运行内存因素,且对预测的准确率要求较高的情况下,随机森林算法的预测效果要优于另外3种算法;同种情况下,若对运行内存要求较高时,可优先考虑朴素贝叶斯算法。结果说明不同机器学习方法在不同缺失程度的预测需求下的适用性,可应用于大豆蛋白质数据的定位预测。

基于因素化表示的TD(λ)算法

提出一种新的基于因素法方法的TD(λ)算法。其基本思想是状态因素化表示,通过动态贝叶斯网络表示Markov决策过程(MDP)中的状态转移概率函数,结合决策树表示TD(λ)算法中的状态值函数,降低状态空间的搜索与计算复杂度,因而适用于求解大状态空间的MDPs问题,实验证明该表示方法是有效的。

一种面向不平衡数据集的组合分类算法

为了提高不平衡数据集中少数类的分类准确率,文章对组合分类算法进行了研究,提出了一种新的组合分类算法WDB。该算法采用决策树C4.5和朴素贝叶斯两种不同的分类器作为基分类器,选择精确度(precision)作为权值,根据不同的训练集,通过"权值学习"的方式自动调整各基分类器的权值大小,然后,结合各基分类器的预测结果,利用加权平均法进行代数组合,构造出一种新的分类算法WDB。最后,以开放的不平衡数据集作为数据源,利用常见的性能评价指标进行实验验证。实验结果证明,在组合分类算法中引入"权值学习"能够发挥基分类器对于特定数据类型的分类优势,提高预测结果的准确率。WDB算法对不平衡数据集分类的性能优于决策树C4.5算法、朴素贝叶斯算法及随机森林算法,能够有效提升不平衡数据集中少数类的分类准确率。

常用的三种分类算法及其比较分析

做好数据分析处理工作,必需掌握几种分类算法。介绍了决策树算法、朴素贝叶斯算法和最近邻算法的基本思想和分类流程,给出了应用实例,比较分析了它们各自具有的优势和存在的局限。采用数据挖掘技术进行大数据分析要选择最合适的算法,才能获得更有效的结果。