一种置信度可控的主动学习算法

主动学习时向专家查询得到的标注如果带有噪声,将会损害机器学习的性能。为减少噪声,基于多专家的主动学习算法被提出。但以往的基于多专家的主动学习都假定各专家对未标注样例进行标注的质量都相同,且采用“少数服从多数”投票法,导致标注时的置信度不可控,不能控制噪声水平。提出一种置信度可控的主动学习算法,能使最终标注的置信度控制在规定的范围,从而减少噪声,提高学习性能。在4个UCI数据集上的实验验证该方法的有效性。     

一种新的代价敏感分类方法

代价敏感学习(cost-sensitive learning)是指在机器学习的过程中考虑不同的误判(misclassification)带来的不同的代价(cost).论文将一项最新的贝叶斯分类研究成果应用到代价敏感学习中,提出了一种新的称之为代价敏感隐藏朴素贝叶斯分类算法.实验表明该方法比另一种典型的代价敏感算法更有效.     

基于协同训练的半监督学习研究

半监督学习,与传统的监督学习不同,能同时在少量的已标记数据和大量的未标记数据上进行学习,从而提高性能。协同训练是一种流行的半监督学习算法,已成为目前机器学习和模式识别领域中的一个研究热点。综述半监督学习协同训练的基本思想、研究现状、常用算法,分析目前存在的主要困难,并指出需进一步研究的几个问题。     

一种基于遗传算法的兴趣规则挖掘算法

数据挖掘是在数据中发现隐藏的结构和模式。但发现的许多模式对用卢来说可能是已知的，从而使这些模式毫无意义，毫无兴趣性。文献中多强调分类规则的准确性和可理解性，但发现兴趣规则在数据挖掘算法中依然是一个令人生畏的挑战。本文采用一种遗传数据挖掘方法，在分类规则产生的同时对其兴趣性进行度量，直接产生兴趣规则。实验表明该方法是可行的、高效的。     

基于遗传算法的有趣模糊规则挖掘算法

针对数据挖掘中多强调分类规则的准确性和可理解性而很少研究规则的有趣性问题。对CHENS和LIUB提出的兴趣规则挖掘方法进行扩展，提出一种基于遗传算法的有趣模糊规则挖掘方法．实验表明该方法是可行的．     

基于多视图未标记数据的机器学习

半监督学习和主动学习,与传统的监督学习不同,能同时在少量的已标记数据和大量的未标记数据上进行学习,从而提高性能。半监督学习和主动学习,最初是建立在单视图数据上的,但最近的研究表明对多视图数据,它们也能产生很好效果。本文综述多视图数据半监督学习和主动学习基本思想、常用算法和最新研究进展,并指出需进一步研究的几个问题。     

基于共享存储的工作池并行编程研究

对共享存储的并行编程问题进行了研究,设计了一种基于共享存储的工作池并行编程方案,提出了一些建议。本文在并行计算机上实现了该方案,对一个具体问题进行了并行编程与求解,证明了该方案可行、高效。     

一种基于遗传算法的用于排序(Ranking)的分类方法

在数据挖掘的许多实际应用中，在进行准确分类（classification）的同时，按照分类的可能性大小进行排序（ranking）日益显得重要。许多分类算法在设计时只考虑分类的准确性，未考虑对分类的可能性进行度量，因而无法用于排序（ranking）任务。本文提出了一种新的基于遗传算法的数据挖掘方法，在产生分类规则的同时，对分类的可能性进行度量。实验证明该算法是可行的。