CN110163381A - 智能学习方法及装置 - Google Patents
智能学习方法及装置 Download PDFInfo
- Publication number
- CN110163381A CN110163381A CN201910343675.9A CN201910343675A CN110163381A CN 110163381 A CN110163381 A CN 110163381A CN 201910343675 A CN201910343675 A CN 201910343675A CN 110163381 A CN110163381 A CN 110163381A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- level
- integrated information
- information
- base learning
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Machine Translation (AREA)
Abstract
本公开提供一种智能学习方法及装置,涉及信息技术领域,能够解决人工智能学习过程中,集成学习的数据自适应及集成方式不够灵活的问题。具体技术方案为:获取第一集成信息,第一集成信息用于指示一级算法内各个算法节点之间的逻辑关系;根据第一集成信息和至少一个基学习算法构建至少一个一级算法,一个一级算法包括至少一个基学习算法;获取第二集成信息,第二集成信息用于指示二级算法内各个算法节点之间的逻辑关系;根据至少一个一级算法构建二级算法,二级算法包括至少一个一级算法。本公开用于人工智能学习。
Description
技术领域
本公开涉及信息技术领域,尤其涉及智能学习方法及装置。
背景技术
在人工智能学习过程中,通过构建并结合多个学习算法来完成学习任务,其中,单个学习算法又称为基学习算法。目前,根据个体学习的生成方式,集成学习方法大致分为两大类,第一类,基学习算法之间存在强依赖关系,根据学习结果,对不同的基学习算法赋予不同的权重,然后进行组合;第二类,基学习算法件之间不存在强依赖关系,根据不同的子集训练得到不同的基学习算法。但是,集成学习的方式不能适应不同的学习任务,用户也无法灵活进行构建。
发明内容
本公开实施例提供一种智能学习方法及装置,能够解决人工智能学习过程中,集成学习的数据自适应及集成方式不够灵活的问题,所述技术方案如下:
根据本公开实施例的第一方面,提供一种智能学习方法,该方法包括:
获取第一集成信息,第一集成信息用于指示一级算法内各个算法节点之间的逻辑关系;
根据第一集成信息和至少一个基学习算法构建至少一个一级算法,一个一级算法包括至少一个基学习算法;
获取第二集成信息,第二集成信息用于指示二级算法内各个算法节点之间的逻辑关系;
根据至少一个一级算法构建二级算法,二级算法包括至少一个一级算法。
根据第一集成信息和第二集成信息构建了一级算法和二级算法两层算法,使得二级算法可以根据用户需求进行定制,人工智能学习更加灵活,而且可以依据数据自身特征选择相应的模型,学习精准度更高。
在一个实施例中,第一集成信息包括加权信息,加权信息用于指示至少一个第一类基学习算法的集成方式;根据第一集成信息和至少一个基学习算法构建至少一个一级算法,包括:
根据加权信息将至少一个第一类基学习算法进行组合形成第一一级算法。
在一个实施例中,第一集成信息包括特征信息,特征信息用于指示至少一个第二类基学习算法的特征值;根据第一集成信息和至少一个基学习算法构建至少一个一级算法,包括:
根据特征信息将至少一个第二类基学习算法进行组合形成第二一级算法,在将样本数据代入第二一级算法时,自适应调用特征值对应的第二类基学习算法对样本数据进行处理。
在一个实施例中,根据至少一个一级算法构建二级算法之后,方法还包括:
获取样本数据,样本数据包括至少一个样本;
根据样本数据对二级算法进行训练。
在一个实施例中,根据样本数据对二级算法进行训练,包括:
将样本数据代入每一个第一类基学习算法进行训练;
根据每一个第一类基学习算法的结果确定每一个第一类基学习算法的集成方式,并更新第一一级算法,第一一级算法由至少一个第一类基学习算法组合形成。
在一个实施例中,根据样本数据对二级算法进行训练,包括:
将至少一个样本分别代入特征值对应的第二类基学习算法进行训练;
根据每一个第二类基学习算法的结果对第二一级算法进行更新。
在一个实施例中,获取第一集成信息,包括:
检测用户的输入操作,并根据检测结果生成第一集成信息。
根据本公开实施例的第二方面,提供一种智能学习装置,包括:第一获取模块、第一构建模块、第二获取模块、第二构建模块;
其中,第一获取模块,用于获取第一集成信息,第一集成信息用于指示一级算法内各个算法节点之间的逻辑关系;
第一构建模块,用于根据第一集成信息和至少一个基学习算法构建至少一个一级算法,一个一级算法包括至少一个基学习算法;
第二获取模块,用于获取第二集成信息,第二集成信息用于指示二级算法内各个算法节点之间的逻辑关系;
第二构建模块,用于根据至少一个一级算法构建二级算法,二级算法包括至少一个一级算法。
在一个实施例中,第一集成信息包括加权信息,加权信息用于指示至少一个第一类基学习算法的集成方式;
第一构建模块,还用于根据加权信息将至少一个第一类基学习算法进行组合形成第一一级算法。
在一个实施例中,第一集成信息包括特征信息,特征信息用于指示至少一个第二类基学习算法的特征值;
第一构建模块,还用于根据特征信息将至少一个第二类基学习算法进行组合形成第二一级算法,在将样本数据代入第二一级算法时,自适应调用特征值对应的第二类基学习算法对样本数据进行处理。
在一个实施例中,智能学习装置还包括:第三获取模块和训练模块;
第三获取模块,用于获取样本数据,样本数据包括至少一个样本;
训练模块,用于根据样本数据对二级算法进行训练。
在一个实施例中,第一获取模块包括检测单元和信息单元;
检测单元,用于检测用户的输入操作;
信息单元,用于根据检测单元的检测结果生成第一集成信息。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是本公开实施例提供的一种智能学习方法的流程图;
图2是本公开实施例提供的一种算法构建效果示意图;
图3是本公开实施例提供的一种算法构建效果示意图;
图4是本公开实施例提供的一种算法构建效果示意图;
图5是本公开实施例提供的一种智能学习方法建模示意图;
图6是本公开实施例提供的一种智能学习装置的结构图;
图7是本公开实施例提供的一种智能学习装置的结构图;
图8是本公开实施例提供的一种智能学习装置的结构图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本公开实施例提供一种智能学习方法,应用于智能学习装置,如图1所示,图1是本公开实施例提供的一种智能学习方法的流程图,本公开实施例提供的智能学习方法包括以下步骤:
101、获取第一集成信息。
第一集成信息用于指示一级算法内各个算法节点之间的逻辑关系。
在一个实施例中,获取第一集成信息,包括:检测用户的输入操作,并根据检测结果生成第一集成信息。
第一集成信息可以是用户通过键盘或者触摸屏输入到智能学习装置的,也可以是用户在其他设备上输入后发送至智能学习装置,本公开对此不作限制。
102、根据第一集成信息和至少一个基学习算法构建至少一个一级算法。
一个一级算法包括至少一个基学习算法。需要说明的是,一个基学习算法可以直接作为一级算法,也可以是多个基学习算法组合形成一个一级算法。
此处,列举两个具体示例说明一级算法的构建,当然,此处只是示例性说明,并不代表本公开局限于此。
在第一个示例中,第一集成信息包括加权信息,加权信息用于指示至少一个第一类基学习算法的集成方式;根据第一集成信息和至少一个基学习算法构建至少一个一级算法,包括:
根据加权信息将至少一个第一类基学习算法进行组合形成第一一级算法。
基于第一个示例,在一种应用场景中,图2所示,基学习算法可以包括传统的基学习算法以及集成的基学习算法。以Boosting为例,其基本工作机制为:基于训练集得到一个基学习算法,再根据基学习算法的效果对训练样本的分布进行调整,使得上一个基学习算法决策错误的训练样本,在本次训练得到更大的权重,然后,基于调整后的样本分布来训练下一个基学习算法,重复此过程,直至达到指定的基学习算法数目,并将训练得到的基学习算法进行组合,得到最终的学习算法,即为一级算法。
在第二个示例中,第一集成信息包括特征信息,特征信息用于指示至少一个第二类基学习算法的特征值;根据第一集成信息和至少一个基学习算法构建至少一个一级算法,包括:
根据特征信息将至少一个第二类基学习算法进行组合形成第二一级算法,在将样本数据代入第二一级算法时,自适应调用特征值对应的第二类基学习算法对样本数据进行处理。
基于第二个示例,在一种应用场景中,如图3所示,即在生成组合策略时,考虑模型的适用性,自动选择符合数据特征的模型,以提高模型的性能。其基本思想是:根据数据的不同模式,采用“门”函数来选择不同的模型,以对不同模式进行处理,使得结果趋于最优。其基本工作机制为:首先设置集成学习作为基学习算法,并指定“门”函数类型,然后依据图2所示的组合结构,基于训练集得到最终的学习算法。
其中,yi(x)可以为Boosting、Bagging等集成学习算法,或是采用Stacking组合策略的集成学习算法,fi(x)为经过门函数组合底层集成学习算法后的结果,然后对fi(x)再次采用门函数进行选择组合,得到最终的结果。可知,该过程经过了两次组合,所以称之为层次组合;对于门函数,可采用逻辑回归、神经网络等基本函数实现。
103、获取第二集成信息。
第二集成信息用于指示二级算法内各个算法节点之间的逻辑关系。
在一个实施例中,获取第二集成信息,包括:检测用户的输入操作,并根据检测结果生成第二集成信息。
第二集成信息可以是用户通过键盘或者触摸屏输入到智能学习装置的,也可以是用户在其他设备上输入后发送至智能学习装置,本公开对此不作限制。
需要说明的是,步骤103与步骤101-102没有顺序关系,步骤103可以在步骤101之前或之后执行,也可以同时执行。
104、根据至少一个一级算法构建二级算法。
二级算法包括至少一个一级算法。
在一种应用场景中,如图4所示,基学习算法采用逻辑回归、支撑向量机等基本学习模型和Bagging、Boosting等集成学习模型混合的方式,同时采用层级组合结构实现对基学习算法的组合,得到最终的学习算法(即二级算法)。一方面扩大可能的模型空间,同时自动选择那些符合数据特征的模型,从而提升模型性能。
在一个实施例中,根据至少一个一级算法构建二级算法之后,该方法还包括:
获取样本数据,样本数据包括至少一个样本;根据样本数据对二级算法进行训练。
对应步骤102下第一个示例,在一个实施例中,根据样本数据对二级算法进行训练,包括:
将样本数据代入每一个第一类基学习算法进行训练;
根据每一个第一类基学习算法的结果确定每一个第一类基学习算法的集成方式,并更新第一一级算法,第一一级算法由至少一个第一类基学习算法组合形成。
对应步骤102下第二个示例,在一个实施例中,根据样本数据对二级算法进行训练,包括:
将至少一个样本分别代入特征值对应的第二类基学习算法进行训练;根据每一个第二类基学习算法的结果对第二一级算法进行更新。
需要说明的是,将至少一个样本分别带入特征值对应的第二类基学习算法进行训练,不需要人工调用,至少一个样本可以依据特征值自适应代入。
结合步骤101-104所描述的智能学习方法,参照图5所示,图5是本公开实施例提供的一种智能学习方法建模示意图。如图5所示,算法节点中包含各个基学习算法,通过基学习算法可以组成两个一级学习算法,两个一级学习算法通过层级组合构成二级学习算法。
为了实现高效的分布式建模流程,采用设计和运行相分离的方式,即在进行建模分析流程设计时,各节点不立即执行,而是生成一种有向无环图的结构,执行引擎会依据图结构中各节点的依赖关系,对图结构进行优化,进而对无依赖关系的节点采用并行分布式实现,最终对结果进行合并,完成建模流程。如图5所示的图结构,两个一级算法可以并行执行,即两个一级算法中的Voting算法可以同时在分布式计算框架中执行,支撑向量机算法也可以并行分布式执行。
本公开实施例提供的智能学习方法实现了对集成学习和其他学习算法的统一组合嵌套。所提的层级模型,其基学习算法可以为Bagging、Boosting等集成学习算法;混合模型中,其基学习算法还可以为混合集成学习算法和逻辑回归、神经网络等基本学习算法,扩大了模型空间。层级组合,基于层级门函数,可依据数据自身特征自动选择相应的模型,解决了模型自适应选择的问题,实现了依据数据特征的模型自适应。层级模型扩大了模型空间,层级组合实现了模型的自适应,可依据时间自身特征,选择模型空间中最优的模型,实现了对算法性能的提升。
本公开实施例提供的智能学习方法,根据第一集成信息和第二集成信息构建了一级算法和二级算法两层算法,使得二级算法可以根据用户需求进行定制,人工智能学习更加灵活,而且可以依据数据自身特征选择相应的模型,学习精准度更高。
基于上述图1对应的实施例种所描述的智能学习方法,本公开实施例提供一种智能学习装置,用于执行上述图1对应的实施例中所描述的停车收费方法,如图6所示,该智能学习装置60包括:第一获取模块601、第一构建模块602、第二获取模块603、第二构建模块604;
其中,第一获取模块601,用于获取第一集成信息,第一集成信息用于指示一级算法内各个算法节点之间的逻辑关系;
第一构建模块602,用于根据第一集成信息和至少一个基学习算法构建至少一个一级算法,一个一级算法包括至少一个基学习算法;
第二获取模块603,用于获取第二集成信息,第二集成信息用于指示二级算法内各个算法节点之间的逻辑关系;
第二构建模块604,用于根据至少一个一级算法构建二级算法,二级算法包括至少一个一级算法。
在一个实施例中,第一集成信息包括加权信息,加权信息用于指示至少一个第一类基学习算法的集成方式;
第一构建模块602,还用于根据加权信息将至少一个第一类基学习算法进行组合形成第一一级算法。
在一个实施例中,第一集成信息包括特征信息,特征信息用于指示至少一个第二类基学习算法的特征值;
第一构建模块602,还用于根据特征信息将至少一个第二类基学习算法进行组合形成第二一级算法,在将样本数据代入第二一级算法时,自适应调用特征值对应的第二类基学习算法对样本数据进行处理。
在一个实施例中,如图7所示,智能学习装置60还包括:第三获取模块605和训练模块606;
第三获取模块605,用于获取样本数据,样本数据包括至少一个样本;
训练模块606,用于根据样本数据对二级算法进行训练。
在一个实施例中,如图8所示,第一获取模块601包括检测单元6011和信息单元6012;
检测单元6011,用于检测用户的输入操作;
信息单元6012,用于根据检测单元的检测结果生成第一集成信息。
本公开实施例提供的智能学习装置,根据第一集成信息和第二集成信息构建了一级算法和二级算法两层算法,使得二级算法可以根据用户需求进行定制,人工智能学习更加灵活,而且可以依据数据自身特征选择相应的模型,学习精准度更高。
基于上述图1对应的实施例中所描述的智能学习方法,本公开实施例还提供一种计算机可读存储介质,例如,非临时性计算机可读存储介质可以是只读存储器(英文:ReadOnly Memory,ROM)、随机存取存储器(英文:Random Access Memory,RAM)、CD-ROM、磁带、软盘和光数据存储装置等。该存储介质上存储有计算机指令,用于执行上述图1对应的实施例中所描述的智能学习方法,此处不再赘述。
本领域技术人员在考虑说明书及实践这里公开的公开后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由下面的权利要求指出。
Claims (10)
1.一种智能学习方法,其特征在于,所述方法包括:
获取第一集成信息,所述第一集成信息用于指示一级算法内各个算法节点之间的逻辑关系;
根据所述第一集成信息和至少一个基学习算法构建至少一个一级算法,一个一级算法包括至少一个基学习算法;
获取第二集成信息,所述第二集成信息用于指示二级算法内各个算法节点之间的逻辑关系;
根据所述至少一个一级算法构建所述二级算法,所述二级算法包括所述至少一个一级算法。
2.根据权利要求1所述的方法,其特征在于,所述第一集成信息包括加权信息,所述加权信息用于指示至少一个第一类基学习算法的集成方式;根据所述第一集成信息和至少一个基学习算法构建至少一个一级算法,包括:
根据所述加权信息将所述至少一个第一类基学习算法进行组合形成第一一级算法。
3.根据权利要求1所述的方法,其特征在于,所述第一集成信息包括特征信息,所述特征信息用于指示至少一个第二类基学习算法的特征值;根据所述第一集成信息和至少一个基学习算法构建至少一个一级算法,包括:
根据所述特征信息将所述至少一个第二类基学习算法进行组合形成第二一级算法,在将样本数据代入所述第二一级算法时,自适应调用特征值对应的第二类基学习算法对样本数据进行处理。
4.根据权利要求1所述的方法,其特征在于,根据所述至少一个一级算法构建所述二级算法之后,所述方法还包括:
获取样本数据,所述样本数据包括至少一个样本;
根据所述样本数据对所述二级算法进行训练。
5.根据权利要求1-4任一项所述的方法,其特征在于,获取第一集成信息,包括:
检测用户的输入操作,并根据检测结果生成所述第一集成信息。
6.一种智能学习装置,其特征在于,包括:第一获取模块、第一构建模块、第二获取模块、第二构建模块;
其中,所述第一获取模块,用于获取第一集成信息,所述第一集成信息用于指示一级算法内各个算法节点之间的逻辑关系;
所述第一构建模块,用于根据所述第一集成信息和至少一个基学习算法构建至少一个一级算法,一个一级算法包括至少一个基学习算法;
所述第二获取模块,用于获取第二集成信息,所述第二集成信息用于指示二级算法内各个算法节点之间的逻辑关系;
所述第二构建模块,用于根据所述至少一个一级算法构建所述二级算法,所述二级算法包括所述至少一个一级算法。
7.根据权利要求6所述的方法,其特征在于,所述第一集成信息包括加权信息,所述加权信息用于指示至少一个第一类基学习算法的集成方式;
所述第一构建模块,还用于根据所述加权信息将所述至少一个第一类基学习算法进行组合形成第一一级算法。
8.根据权利要求6所述的方法,其特征在于,所述第一集成信息包括特征信息,所述特征信息用于指示至少一个第二类基学习算法的特征值;
所述第一构建模块,还用于根据所述特征信息将所述至少一个第二类基学习算法进行组合形成第二一级算法,在将样本数据代入所述第二一级算法时,自适应调用特征值对应的第二类基学习算法对样本数据进行处理。
9.根据权利要求6所述的方法,其特征在于,所述智能学习装置还包括:第三获取模块和训练模块;
所述第三获取模块,用于获取样本数据,所述样本数据包括至少一个样本;
所述训练模块,用于根据所述样本数据对所述二级算法进行训练。
10.根据权利要求6-9任一项所述的装置,其特征在于,所述第一获取模块包括检测单元和信息单元;
所述检测单元,用于检测用户的输入操作;
所述信息单元,用于根据所述检测单元的检测结果生成所述第一集成信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910343675.9A CN110163381A (zh) | 2019-04-26 | 2019-04-26 | 智能学习方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910343675.9A CN110163381A (zh) | 2019-04-26 | 2019-04-26 | 智能学习方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110163381A true CN110163381A (zh) | 2019-08-23 |
Family
ID=67640112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910343675.9A Pending CN110163381A (zh) | 2019-04-26 | 2019-04-26 | 智能学习方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110163381A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779087A (zh) * | 2016-11-30 | 2017-05-31 | 福建亿榕信息技术有限公司 | 一种通用机器学***台 |
CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 |
CN107507038A (zh) * | 2017-09-01 | 2017-12-22 | 美林数据技术股份有限公司 | 一种基于stacking和bagging算法的电费敏感用户分析方法 |
CN107563731A (zh) * | 2017-09-01 | 2018-01-09 | 上海诺悦智能科技有限公司 | 一种基于数据分析的工程流搭建*** |
CN108023876A (zh) * | 2017-11-20 | 2018-05-11 | 西安电子科技大学 | 基于可持续性集成学习的入侵检测方法及入侵检测*** |
CN108090788A (zh) * | 2017-12-22 | 2018-05-29 | 苏州大学 | 基于时间信息集成模型的广告转化率预估方法 |
CN108491970A (zh) * | 2018-03-19 | 2018-09-04 | 东北大学 | 一种基于rbf神经网络的大气污染物浓度预测方法 |
CN108830328A (zh) * | 2018-06-21 | 2018-11-16 | 中国矿业大学 | 融合空间知识的微震信号smote识别方法及监测*** |
CN108985335A (zh) * | 2018-06-19 | 2018-12-11 | 中国原子能科学研究院 | 核反应堆包壳材料辐照肿胀的集成学习预测方法 |
CN109117864A (zh) * | 2018-07-13 | 2019-01-01 | 华南理工大学 | 基于异构特征融合的冠心病风险预测方法、模型及*** |
CN109145948A (zh) * | 2018-07-18 | 2019-01-04 | 宁波沙塔信息技术有限公司 | 一种基于集成学习的注塑机堵料异常检测方法 |
-
2019
- 2019-04-26 CN CN201910343675.9A patent/CN110163381A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779087A (zh) * | 2016-11-30 | 2017-05-31 | 福建亿榕信息技术有限公司 | 一种通用机器学***台 |
CN107423442A (zh) * | 2017-08-07 | 2017-12-01 | 火烈鸟网络(广州)股份有限公司 | 基于用户画像行为分析的应用推荐方法及***,储存介质及计算机设备 |
CN107507038A (zh) * | 2017-09-01 | 2017-12-22 | 美林数据技术股份有限公司 | 一种基于stacking和bagging算法的电费敏感用户分析方法 |
CN107563731A (zh) * | 2017-09-01 | 2018-01-09 | 上海诺悦智能科技有限公司 | 一种基于数据分析的工程流搭建*** |
CN108023876A (zh) * | 2017-11-20 | 2018-05-11 | 西安电子科技大学 | 基于可持续性集成学习的入侵检测方法及入侵检测*** |
CN108090788A (zh) * | 2017-12-22 | 2018-05-29 | 苏州大学 | 基于时间信息集成模型的广告转化率预估方法 |
CN108491970A (zh) * | 2018-03-19 | 2018-09-04 | 东北大学 | 一种基于rbf神经网络的大气污染物浓度预测方法 |
CN108985335A (zh) * | 2018-06-19 | 2018-12-11 | 中国原子能科学研究院 | 核反应堆包壳材料辐照肿胀的集成学习预测方法 |
CN108830328A (zh) * | 2018-06-21 | 2018-11-16 | 中国矿业大学 | 融合空间知识的微震信号smote识别方法及监测*** |
CN109117864A (zh) * | 2018-07-13 | 2019-01-01 | 华南理工大学 | 基于异构特征融合的冠心病风险预测方法、模型及*** |
CN109145948A (zh) * | 2018-07-18 | 2019-01-04 | 宁波沙塔信息技术有限公司 | 一种基于集成学习的注塑机堵料异常检测方法 |
Non-Patent Citations (1)
Title |
---|
MAYGOD1IKE: "详解stacking过程", 《CSDN》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Data-driven evolutionary algorithm with perturbation-based ensemble surrogates | |
Stork et al. | A new taxonomy of global optimization algorithms | |
Wu et al. | Ensemble strategies for population-based optimization algorithms–A survey | |
Zhang et al. | A return-cost-based binary firefly algorithm for feature selection | |
WO2021254114A1 (zh) | 构建多任务学习模型的方法、装置、电子设备及存储介质 | |
Chen et al. | Case-based reasoning system and artificial neural networks: A review | |
Mairiza et al. | Utilizing TOPSIS: A multi criteria decision analysis technique for non-functional requirements conflicts | |
US20200293888A1 (en) | System and Method For Implementing Modular Universal Reparameterization For Deep Multi-Task Learning Across Diverse Domains | |
CN110222848A (zh) | 计算机执行的集成模型的确定方法及装置 | |
Carmona et al. | Evolutionary algorithms for subgroup discovery applied to e-learning data | |
CN110738362A (zh) | 一种基于改进的多元宇宙算法构建预测模型的方法 | |
CN105260746A (zh) | 一种可扩展的多层集成多标记学习*** | |
Gaier et al. | Data-efficient neuroevolution with kernel-based surrogate models | |
CN110222838A (zh) | 深度神经网络及其训练方法、装置、电子设备及存储介质 | |
Kamalian et al. | Reducing human fatigue in interactive evolutionary computation through fuzzy systems and machine learning systems | |
CN115168720A (zh) | 内容交互预测方法以及相关设备 | |
Schwabacher et al. | Learning to set up numerical optimizations of engineering designs | |
CN117494775A (zh) | 训练神经网络模型的方法、电子设备、云端、集群及介质 | |
CN101226521A (zh) | 一种用于多义性数据对象预测建模的机器学习方法 | |
JP6725194B2 (ja) | 学習済みモデルを生成する方法、データを分類する方法、コンピュータおよびプログラム | |
CN110163381A (zh) | 智能学习方法及装置 | |
Sivaraman et al. | Modeling of an inverted pendulum based on fuzzy clustering techniques | |
Ahmad et al. | A novel adaptive learning path method | |
KR20230135838A (ko) | 동적 모델 조합에 기반한 선택적 앙상블 예측 방법 및 장치 | |
CN115168722A (zh) | 内容交互预测方法以及相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190823 |
|
RJ01 | Rejection of invention patent application after publication |