排序方式: 共有3条查询结果,搜索用时 15 毫秒
1
1.
机器学习模型的效果很大程度上取决于模型的超参数调优,如何实现自动化的超参数优化是机器学习领域的重点研究方向之一。提出一种改进粒子群优化算法的惯性系数动态更新的方法,实现基于粒子群优化算法的模型超参数的调优方法,并以信用卡核心业务场景建模的自动调参过程予以实际验证。实验结果表明,改进后的自动超参数优化方法在通过多轮迭代逐步逼近最优解的参数择优方面更容易达到预期模型的效果目标,能够提升机器学习模型的预测精度和泛化能力。 相似文献
2.
3.
对于犯罪检测、网络入侵检测等应用,离群点检测是数据挖掘的一种重要算法.局部离群因子是对数据对象离群点的程度定义,计算所有数据对象局部离群因子需要大量计算. 一种基于聚类分析局部离群点挖掘改进算法得以实现,此改进算法以聚类分析为预处理,只对聚类之外的数据对象计算局部离群因子,避免了大量计算,并改进了对数据对象k距离邻域的求解.通过仿真数据和轨道交通AFC(automatic fare collecting system)客流数据的实验,证实此改进算法不仅能更高效地挖掘出值得关注的离群点,而且还能更好地达到解析目的. 相似文献
1