长尾识别研究进展

长尾识别是目前深度学习领域最热门的研究方向之一,长尾识别的工作重点是解决长尾分布数据的计算机视觉识别任务. 长尾分布的显著特征为2-8分布,即20%的类占据80%的样本. 将少数几个类占据了大部分数据的类称之为头部类; 而大多数类占据了很少部分数据的类称之为尾部类. 首先,列举解决长尾识别问题的各种方法. 然后,将其划分为重采样、重加权、迁移学习、解耦特征学习和分类器学习以及其他方法进行阐述. 最后,阐述对相关方法的理解.     

基于相容粗糙集技术的连续值属性决策树归纳

决策树是常用的数据挖掘方法,扩展属性的选择是决策树归纳的核心问题。基于离散化方法的连续值决策 树归纳在选择扩展属性时,需要度量每一个条件属性的每一个割点的分类不确定性,并通过这些割点的不确定性选择 扩展属性,其计算时间复杂度高。针对这一问题,提出了一种基于相容粗糙集技术的连续值属性决策树归纳方法。该 方法首先利用相容粗糙集技术选择扩展属性,然后找出该属性的最优割点,分割样例集并递归地构建决策树。从理论 上分析了该算法的计算时间复杂度,并在多个数据集上进行了实验。实验结果及对实验结果的统计分析均表明,提出 的方法在计算复杂度和分类精度方面均优于其他相关方法。