CN112819027A - 一种基于机器学习和相似度评分的分类方法 - Google Patents
一种基于机器学习和相似度评分的分类方法 Download PDFInfo
- Publication number
- CN112819027A CN112819027A CN202011507226.2A CN202011507226A CN112819027A CN 112819027 A CN112819027 A CN 112819027A CN 202011507226 A CN202011507226 A CN 202011507226A CN 112819027 A CN112819027 A CN 112819027A
- Authority
- CN
- China
- Prior art keywords
- data set
- judgment
- result
- correct
- judged
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000010801 machine learning Methods 0.000 title claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 42
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000011156 evaluation Methods 0.000 claims description 21
- 238000012360 testing method Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000013145 classification model Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000004458 analytical method Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000008451 emotion Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
一种基于机器学习和相似度评分的分类方法涉及商品质量分类技术领域。本发明使商品数据在分类过程中避免因为单一方法而造成分类效果不佳；采用基于欧几里得距离公式的相似度判断机制，可以有效的完善单一分类造成的分类错误，构造二次分类模型；并且根据分类结果循环完善模型，模型随分类数据的增加而更加完善，使得分类模型具有很强的学习能力、自适应性、科学性和鲁棒性。
Description
技术领域
本发明涉及商品质量分类技术领域，具体是一种基于机器学习和相似度评分机制的商品质量分类方法
背景技术
分类问题应用于人类生产和生活的方方面面，人们每天都面临着各种基于种类、等级或性质进行分类问题，分类方法在机器学习领域已经得到广泛研究，如判别分析和逻辑回归等。早期的机器学习算法多关注于解决回归问题，近年来在分类问题上的研究越来越多，利用机器学习解决分类问题在疾病判断，文本分析，情感分析等方面都有着重大的研究意义。
解决分类问题的机器学***面，将数据的正负样本进行分割，从而进行分类，但是该算法只适用于二分类问题，对于多分类问题容易产生过拟合问题。
集成分类方法有Bagging方法采用自助法抽样获得N个采样集，然后对多个基分类器机进行训练，通过组合策略获得最终集合分类器，但是该方法训练集拟合程度差，模型的偏倚较大；利用决策树作为基分类器的随机森林算法将Bagging和随机特征选择结合起来，增加决策树模型的多样性，但是该方法模型解释困难，需要花费大量功夫使模型符合数据。
当前这些方法在处理分类问题中存在许多问题，如高维小样本中往往存在大量无关特征或燥声，可能导致分类精度不高或出现过拟合现象，此外数据降维和特征选择对分类结果也容易造成巨大的影响。
发明内容
本发明所要解决的技术问题是：提出一种更好的集成分类机制使得分类问题可以得到更好的解决。目的是：1、面对数据时可以更快捷的剔除冗余数据与无关特征；2、使用多个模块循环处理个阶段结果，使得结果更加精准。
为实现上述目的，本发明采用一种基于机器学习和相似度评分机制的数据分类的方法，具体步骤如下：
步骤1：将数据集归一化处理；
步骤2：将数据集划分为训练数据集和测试数据集；
步骤3：将训练数据集通过基于随机梯度下降法的权重计算模块获取各特征权重；
步骤4：对步骤3获得的特征权重判断模块，根据判断结果删除原始数据集中对应特征；
步骤5：按照特征权重判断模块标记结果删除训练数据集和测试数据集的特征；
步骤6：将新的训练数据集重新的输入通过Logistic方法进行分类，并将Logistic方法的分类过程保存为模型。
步骤7：将新训练数据集中数据输入保存模型中，将本次判断结果与新训练数据集中标签结果输入对比模块，根据对比模块结果划分判断正确数据集与判断错误数据集；
步骤8：将判断错误数据集与判断正确数据集输入基于欧几里得距离公式(Euclidean Distance)的相似度评估与判断模块，输出每条判断错误数据集相似度评估后的判断结果；
步骤9：根据每条判断错误数据集的相似度评分集合S对错误数据进行判定；
作为一种优选的技术方案，为提供一种基于相似度评估的分类判断方法，所描述的步骤中各模块实现为：
权重计算模块：将训练数据集输入本模块计算特征权重，计算方式如下：
ωt+1＝ωt+η[yi-y(xi)]xi (2)
式(1)y为sigmoid函数，xi和yi表示训练数据集中的数据特征和对应的数据标签，ω表示当前的权重向量；式(2)中，首先随机产生一个初始值ω0，然后通式(2)不断迭代从而求得ω的值，其中ωt为上一时刻的ω值，ωt+1为当前时刻的ω，η为给定步长，每次迭代都从所有样本中随机抽取一个(xi,yi)来代入式(2)，通过不断地修改t+1时刻的ω，从而最后靠近到达取得最大值的点，即不断进行迭代，直到梯度等于0为止。
判断模块：对输入的各特征权重比较大小，将绝对值小于等于0.05的特征标记为可删除项；
对比模块：对输入的判断结果与新训练数据集中标签结果进行对比，判断结果与实际标签结果相同的为正确项，划分为判断正确数据集中；判断结果与实际标签结果不相同的为错误项，划分为判断错误数据集中；
相似度评估与判断模块：将一条判断错误数据集中数据与判断正确数据集每条数据进行相似度评估计算，计算方式如下：
Zj＝di/max(D) (4)
sj＝Zj -1 (5)
式(3)中dk为该条错误数据与判断正确数据集中每条数据计算获得的加权后欧几里得距离，k的最大值为判断正确数据集中数据条数，βi为对应特征权重，xi和X* i分别为该条错误数据的各项特征值和判断正确数据集的各项特征值，n表示特征的数量，i表示当前计算为第i个特征。式(4)中D为式(3)中获得的该条判断错误数据集与每条判断正确数据集中数据计算距离dk的集合，j表示判断错误错误数据集中的数据，Zj表示一个距离在该条距离所在的集合中的映射位置；式(5)中sj为根据距离获得的相似度评分，并将评分放入集合S中。
本发明的有益效果如下：
本发明提出了一种新的商品质量分类的决策方法，使商品数据在分类过程中避免因为单一方法而造成分类效果不佳；采用基于欧几里得距离公式的相似度判断机制，可以有效的完善单一分类造成的分类错误，构造二次分类模型；并且根据分类结果循环完善模型，模型随分类数据的增加而更加完善，使得分类模型具有很强的学习能力、自适应性、科学性和鲁棒性。
附图说明
图1是本发明总体流程图。
图2是相似度评估与判断模块的具体流程图
具体实施方式
下面结合附图和实施例对本发明进行详细说明，但实例仅用于解释本发明，并不限于此。
步骤1：从Amazon Product Co-purchasing数据集中选择543552条数据集作为训练数据集，并选择50000条商品数据集作为测试集，将数据集归一化处理；
步骤2：对训练数据集和测试数据集中的特征进行归一化处理；
步骤3：训练数据集中的特征包括销售排名、上架时长、最高价格、最低价格、月均销量、商品收藏量、商品回购率、商品所属分类中排名、商品正面评论数量和商品负面评价数量，将这几个特征通过随机梯度下降法获取各特征权重；和商品质量评价结果作为分类标签。
本实例中的权重获得方法具体为：将训练数据集输入本模块计算特征权重，计算方式如下：
ωt+1＝ωt+η[yi-y(xi)]xi (2)
式(1)y为sigmoid函数，xi和yi表示训练数据集中的数据特征和对应的数据标签，ω表示当前的权重向量；式(2)中，首先随机产生一个初始值ω0，然后通式(2)不断迭代从而求得ω的值，其中ωt为上一时刻的ω值，ωt+1为当前时刻的ω，η为给定步长，大小为0.00003，每次迭代都从所有样本中随机抽取一个(xi,yi)来代入式(2)，通过不断地修改t+1时刻的ω，从而最后靠近到达取得最大值的点，即不断进行迭代，直到梯度等于0为止。本实施例中共包括10种特征，根据步骤3可获得一组包含10个数值的权重以及一个偏置量数值；
步骤4：对步骤3获得的各特征权重输入判断模块，根据判断结果删除原始数据集中对应特征；
本实例中的判断模块具体实现为对输入的各特征权重比较大小，将绝对值小于等于0.05的特征标记为可删除项，经过权重判断，特征上架时长、最高价格、最低价格的权重绝对值低于0.05，在后续计算过程中删除这三个特征；
步骤5：按照特征权重判断模块标记结果删除训练数据集和测试数据集的特征；
步骤6：将新的训练数据集重新的输入通过Logistic方法进行分类，并将Logistic方法的分类过程保存为模型。
步骤7：将新训练数据集中数据输入保存模型中，将本次判断结果与新训练数据集中标签结果输入对比模块，根据对比模块结果划分判断正确数据集与判断错误数据集；
本实例中的对比模块具体实现为对输入的判断结果与新训练数据集中标签结果进行对比，判断结果与实际标签结果相同的为正确项，划分为判断正确数据集中；判断结果与实际标签结果不相同的为错误项，划分为判断错误数据集中；
本实例中共有543552条数据参与训练，经过对比模块划分，最终判断正确数据集中共有513145条数据，判断错误数据集中共有30407条数据；
步骤8：将判断错误数据集与判断正确数据集输入基于欧几里得距离公式(Euclidean Distance)的相似度评估与判断模块，输出每条判断错误数据集相似度评估后的判断结果，如图2所示，判断错误的数据表示为(xi,yi)，判断正确数据集表示为[X*,Y*]；
本实例中相似度评估与判断模块具体实现为将一条判断错误数据集中数据与判断正确数据集每条数据进行相似度评估计算，计算方式如下：
Zj＝di/max(D) (4)
sj＝Zj -1 (5)
式(3)中dk为该条错误数据与判断正确数据集中每条数据计算获得的加权后欧几里得距离，k的最大值为判断正确数据集中数据条数，βi为对应特征权重，xi和X* i分别为该条错误数据的各项特征值和判断正确数据集的各项特征值，n表示特征的数量，i表示当前计算为第i个特征。式(4)中D为式(3)中获得的该条判断错误数据集与每条判断正确数据集中数据计算距离dk的集合，j表示判断错误错误数据集中的数据，Zj表示一个距离在该条距离所在的集合中的映射位置；式(5)中sj为根据距离获得的相似度评分，并将评分放入集合S中。
步骤9：根据每条判断错误数据集的相似度评分集合S对错误数据进行判定；
本实例中结果判定过程为通过高斯函数获得评分S的加权W，并根据加权获得最终结果，计算过程如下：
式(6)a是曲线的高度，b是曲线中心线在x轴的偏移，c是半峰宽度，di代表相似度评分第i高的判断正确数据集的值；式(7)中Wi代表其权重，Y是预测的结果，yi是真实值的结果，k表示判断正确数据集的数量。
步骤10：将已完成商品质量判定结果加入判断正确数据集，完善模型；
步骤11：将测试数据集中商品信息输入判断模型获得商品质量分类结果。
Claims (2)
1.一种基于机器学习和相似度评分机制的数据分类的方法，其特征在于，步骤如下：
步骤1：将商品数据集归一化处理；
步骤2：将商品数据集划分为训练数据集和测试数据集；
步骤3：将训练数据集通过基于随机梯度下降法的权重计算模块获取各特征权重；训练数据集中的特征包括销售排名、上架时长、最高价格、最低价格、月均销量、商品收藏量、商品回购率、商品所属分类中排名、商品正面评论数量和商品负面评价数量，将这几个特征通过随机梯度下降法获取各特征权重；商品质量评价结果作为分类标签；
步骤4：对步骤3获得的特征权重判断模块，根据判断结果删除原始数据集中对应特征；
步骤5：按照特征权重判断模块标记结果删除训练数据集和测试数据集的特征；
步骤6：将新的训练数据集重新的输入通过Logistic方法进行分类，并将Logistic方法的分类过程保存为模型；
步骤7：将新训练数据集中数据输入保存模型中，将本次判断结果与新训练数据集中标签结果输入对比模块，根据对比模块结果划分判断正确数据集与判断错误数据集；
步骤8：将判断错误数据集与判断正确数据集输入基于欧几里得距离公式的相似度评估与判断模块，输出每条判断错误数据集相似度评估后的判断结果；
步骤9：根据每条判断错误数据集的相似度评分集合S对错误数据进行判定；
所描述各模块实现为：
权重计算模块：将训练数据集输入本模块计算特征权重，计算方式如下：
ωt+1＝ωt+η[yi-y(xi)]xi (2)
式(1)y为sigmoid函数，xi和yi表示训练数据集中的数据特征和对应的数据标签，ω表示当前的权重向量；式(2)中，首先随机产生一个初始值ω0，然后通式(2)不断迭代从而求得ω的值，其中ωt为上一时刻的ω值，ωt+1为当前时刻的ω，η为给定步长，每次迭代都从所有样本中随机抽取一个(xi,yi)来代入式(2)，通过不断地修改t+1时刻的ω，从而最后靠近到达取得最大值的点，即不断进行迭代，直到梯度等于0为止；
判断模块：对输入的各特征权重比较大小，将绝对值小于等于0.05的特征标记为可删除项；
对比模块：对输入的判断结果与新训练数据集中标签结果进行对比，判断结果与实际标签结果相同的为正确项，划分为判断正确数据集中；判断结果与实际标签结果不相同的为错误项，划分为判断错误数据集中；
相似度评估与判断模块：将一条判断错误数据集中数据与判断正确数据集每条数据进行相似度评估计算，计算方式如下：
Zj＝di/max(D) (4)
sj＝Zj -1 (5)
式(3)中dk为该条错误数据与判断正确数据集中每条数据计算获得的加权后欧几里得距离，k的最大值为判断正确数据集中数据条数，βi为对应特征权重，xi和X* i分别为该条错误数据的各项特征值和判断正确数据集的各项特征值，n表示特征的数量，i表示当前计算为第i个特征；式(4)中D为式(3)中获得的该条判断错误数据集与每条判断正确数据集中数据计算距离dk的集合，j表示判断错误错误数据集中的数据，Zj表示一个距离在该条距离所在的集合中的映射位置；式(5)中sj为根据距离获得的相似度评分，并将评分放入集合S中。
2.根据权利要求1所述的一种基于机器学习和相似度评分机制的数据分类的方法，其特征在于，步骤如下：
步骤1：将商品数据集归一化处理；
步骤2：将商品数据集划分为训练数据集和测试数据集；
步骤3：训练数据集中的特征包括销售排名、上架时长、最高价格、最低价格、月均销量、商品收藏量、商品回购率、商品所属分类中排名、商品正面评论数量和商品负面评价数量，将这几个特征通过随机梯度下降法获取各特征权重；和商品质量评价结果作为分类标签；
权重获得方法具体为：将训练数据集输入本模块计算特征权重，计算方式如下：
ωt+1＝ωt+η[yi-y(xi)]xi (2)
式(1)y为sigmoid函数，xi和yi表示训练数据集中的数据特征和对应的数据标签，ω表示当前的权重向量；式(2)中，首先随机产生一个初始值ω0，然后通式(2)不断迭代从而求得ω的值，其中ωt为上一时刻的ω值，ωt+1为当前时刻的ω，η为给定步长，大小为0.00003，每次迭代都从所有样本中随机抽取一个(xi,yi)来代入式(2)，通过不断地修改t+1时刻的ω，从而最后靠近到达取得最大值的点，即不断进行迭代，直到梯度等于0为止；共包括10种特征，根据步骤3可获得一组包含10个数值的权重以及一个偏置量数值；
步骤4：对步骤3获得的各特征权重输入判断模块，根据判断结果删除原始数据集中对应特征；
的判断模块具体实现为对输入的各特征权重比较大小，将绝对值小于等于0.05的特征标记为可删除项，经过权重判断，特征上架时长、最高价格、最低价格的权重绝对值低于0.05，在后续计算过程中删除这三个特征；
步骤5：按照特征权重判断模块标记结果删除训练数据集和测试数据集的特征；
步骤6：将新的训练数据集重新的输入通过Logistic方法进行分类，并将Logistic方法的分类过程保存为模型；
步骤7：将新训练数据集中数据输入保存模型中，将本次判断结果与新训练数据集中标签结果输入对比模块，根据对比模块结果划分判断正确数据集与判断错误数据集；
对比模块具体实现为对输入的判断结果与新训练数据集中标签结果进行对比，判断结果与实际标签结果相同的为正确项，划分为判断正确数据集中；判断结果与实际标签结果不相同的为错误项，划分为判断错误数据集中；
步骤8：将判断错误数据集与判断正确数据集输入基于欧几里得距离公式的相似度评估与判断模块，输出每条判断错误数据集相似度评估后的判断结果，判断错误的数据表示为(xi,yi)，判断正确数据集表示为[X*,Y*]；
相似度评估与判断模块具体实现为将一条判断错误数据集中数据与判断正确数据集每条数据进行相似度评估计算，计算方式如下：
Zj＝di/max(D) (4)
sj＝Zj -1 (5)
式(3)中dk为该条错误数据与判断正确数据集中每条数据计算获得的加权后欧几里得距离，k的最大值为判断正确数据集中数据条数，βi为对应特征权重，xi和X* i分别为该条错误数据的各项特征值和判断正确数据集的各项特征值，n表示特征的数量，i表示当前计算为第i个特征；式(4)中D为式(3)中获得的该条判断错误数据集与每条判断正确数据集中数据计算距离dk的集合，j表示判断错误错误数据集中的数据，Zj表示一个距离在该条距离所在的集合中的映射位置；式(5)中sj为根据距离获得的相似度评分，并将评分放入集合S中；
步骤9：根据每条判断错误数据集的相似度评分集合S对错误数据进行判定；
结果判定过程为通过高斯函数获得评分S的加权W，并根据加权获得最终结果，计算过程如下：
式(6)a是曲线的高度，b是曲线中心线在x轴的偏移，c是半峰宽度，di代表相似度评分第i高的判断正确数据集的值；式(7)中Wi代表其权重，Y是预测的结果，yi是真实值的结果，k表示判断正确数据集的数量；
步骤10：将已完成商品质量判定结果加入判断正确数据集，完善判断模型；
步骤11：将测试数据集中商品信息输入判断模型获得商品质量分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011507226.2A CN112819027B (zh) | 2020-12-18 | 2020-12-18 | 一种基于机器学习和相似度评分的分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011507226.2A CN112819027B (zh) | 2020-12-18 | 2020-12-18 | 一种基于机器学习和相似度评分的分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112819027A true CN112819027A (zh) | 2021-05-18 |
| CN112819027B CN112819027B (zh) | 2024-05-28 |
Family
ID=75853598
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011507226.2A Active CN112819027B (zh) | 2020-12-18 | 2020-12-18 | 一种基于机器学习和相似度评分的分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112819027B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113392587A (zh) * | 2021-06-16 | 2021-09-14 | 中国地质调查局西安地质调查中心(西北地质科技创新中心) | 一种大区域滑坡危险性评价的并行支持向量机分类方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104966105A (zh) * | 2015-07-13 | 2015-10-07 | 苏州大学 | 一种鲁棒机器错误检索方法与*** |
| CN107403072A (zh) * | 2017-08-07 | 2017-11-28 | 北京工业大学 | 一种基于机器学习的2型糖尿病预测预警方法 |
| CN110458213A (zh) * | 2019-07-29 | 2019-11-15 | 四川大学 | 一种分类模型鲁棒性能评估方法 |
| CN111950652A (zh) * | 2020-08-21 | 2020-11-17 | 江苏方天电力技术有限公司 | 一种基于相似度的半监督学习数据分类算法 |
-
2020
- 2020-12-18 CN CN202011507226.2A patent/CN112819027B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104966105A (zh) * | 2015-07-13 | 2015-10-07 | 苏州大学 | 一种鲁棒机器错误检索方法与*** |
| CN107403072A (zh) * | 2017-08-07 | 2017-11-28 | 北京工业大学 | 一种基于机器学习的2型糖尿病预测预警方法 |
| CN110458213A (zh) * | 2019-07-29 | 2019-11-15 | 四川大学 | 一种分类模型鲁棒性能评估方法 |
| CN111950652A (zh) * | 2020-08-21 | 2020-11-17 | 江苏方天电力技术有限公司 | 一种基于相似度的半监督学习数据分类算法 |
Non-Patent Citations (2)
| Title |
|---|
| 万会芳;杜彦璞;: "K近邻和Logistic回归分类算法比较研究", 洛阳理工学院学报(自然科学版), no. 03, 25 September 2016 (2016-09-25) * |
| 徐传运;孙越;李刚;袁含香;: "基于深度度量学习的小样本商品图像分类研究", 重庆理工大学学报(自然科学), no. 09, 15 September 2020 (2020-09-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113392587A (zh) * | 2021-06-16 | 2021-09-14 | 中国地质调查局西安地质调查中心(西北地质科技创新中心) | 一种大区域滑坡危险性评价的并行支持向量机分类方法 |
| CN113392587B (zh) * | 2021-06-16 | 2023-09-05 | 中国地质调查局西安地质调查中心(西北地质科技创新中心) | 一种大区域滑坡危险性评价的并行支持向量机分类方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112819027B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhdanov | Diverse mini-batch active learning | |
| KR102005628B1 (ko) | 학습 데이터 전처리 방법 및 시스템 | |
| CN107067025B (zh) | 一种基于主动学习的文本数据自动标注方法 | |
| Xu et al. | An improved random forest classifier for image classification | |
| CN103309953B (zh) | 一种基于多rbfnn分类器集成的多样化图像标注和检索方法 | |
| CN112528928B (zh) | 一种基于自注意力深度网络的商品识别方法 | |
| CN108921604B (zh) | 一种基于代价敏感分类器集成的广告点击率预测方法 | |
| Chellapandi et al. | Comparison of pre-trained models using transfer learning for detecting plant disease | |
| CN115688024B (zh) | 基于用户内容特征和行为特征的网络异常用户预测方法 | |
| CN113269647A (zh) | 基于图的交易异常关联用户检测方法 | |
| CN114882531A (zh) | 一种基于深度学习的跨域行人再识别方法 | |
| CN113837266B (zh) | 一种基于特征提取和Stacking集成学习的软件缺陷预测方法 | |
| CN114722918A (zh) | 一种基于dna甲基化的肿瘤分类方法 | |
| CN112819027B (zh) | 一种基于机器学习和相似度评分的分类方法 | |
| CN111708865B (zh) | 一种基于改进XGBoost算法的技术预见及专利预警分析方法 | |
| Raikar et al. | Efficiency comparison of supervised and unsupervised classifier on content based classification using shape, color, texture | |
| Cho et al. | Fruit ripeness prediction based on DNN feature induction from sparse dataset | |
| CN114358813B (zh) | 一种基于场矩阵因子分解机改进的广告投放方法及*** | |
| Billadi et al. | Classification of arecanut using machine learning techniques. | |
| CN115049870A (zh) | 一种基于小样本的目标检测方法 | |
| CN111222570B (zh) | 基于差分隐私的集成学习分类方法 | |
| Jaleel et al. | Textual Dataset Classification Using Supervised Machine Learning Techniques | |
| Shanthini et al. | Advanced Data Mining Enabled Robust Sentiment Analysis on E-Commerce Product Reviews and Recommendation Model | |
| Saravanan et al. | Sales Prediction For Food Products Using Machine Learning | |
| Rahman et al. | Evaluating the performance of common machine learning classifiers using various validation methods |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |