CN112819027B - 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 PDF

Info

Publication number
CN112819027B
CN112819027B CN202011507226.2A CN202011507226A CN112819027B CN 112819027 B CN112819027 B CN 112819027B CN 202011507226 A CN202011507226 A CN 202011507226A CN 112819027 B CN112819027 B CN 112819027B
Authority
CN
China
Prior art keywords
data set
judging
result
judgment
data
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.)
Active
Application number
CN202011507226.2A
Other languages
English (en)
Other versions
CN112819027A (zh
Inventor
杨胜齐
李然
谢文俊
赵鹏远
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202011507226.2A priority Critical patent/CN112819027B/zh
Publication of CN112819027A publication Critical patent/CN112819027A/zh
Application granted granted Critical
Publication of CN112819027B publication Critical patent/CN112819027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

一种基于机器学习和相似度评分的分类方法
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为该条判断错误数据集中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分别为该条判断错误数据集中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。
CN202011507226.2A 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 Active CN112819027B (zh)

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 CN112819027A (zh) 2021-05-18
CN112819027B true 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)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (4)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
Title
K近邻和Logistic回归分类算法比较研究;万会芳;杜彦璞;;洛阳理工学院学报(自然科学版);20160925(第03期);全文 *
基于深度度量学习的小样本商品图像分类研究;徐传运;孙越;李刚;袁含香;;重庆理工大学学报(自然科学);20200915(第09期);全文 *

Also Published As

Publication number Publication date
CN112819027A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN105469096B (zh) 一种基于哈希二值编码的特征袋图像检索方法
Xu et al. An improved random forest classifier for image classification
Agastya et al. Classification of Indonesian batik using deep learning techniques and data augmentation
US11210555B2 (en) High-dimensional image feature matching method and device
CN105894050A (zh) 一种基于多任务学习的人脸图像种族和性别识别方法
Şengür et al. Food image classification with deep features
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
CN114882531A (zh) 一种基于深度学习的跨域行人再识别方法
JP5391637B2 (ja) データ類似度計算システム、データ類似度計算方法およびデータ類似度計算プログラム
CN112819027B (zh) 一种基于机器学习和相似度评分的分类方法
Colliri et al. A network-based high level data classification technique
Doetsch et al. Logistic model trees with auc split criterion for the kdd cup 2009 small challenge
Sahidullah et al. Date fruit classification with machine learning and explainable artificial intelligence
CN113837266A (zh) 一种基于特征提取和Stacking集成学习的软件缺陷预测方法
Raikar et al. Efficiency comparison of supervised and unsupervised classifier on content based classification using shape, color, texture
Singhal et al. Image classification using bag of visual words model with FAST and FREAK
Cho et al. Fruit ripeness prediction based on DNN feature induction from sparse dataset
CN114511027B (zh) 通过大数据网络进行英语远程数据提取方法
Bahrami et al. Automatic image annotation using an evolutionary algorithm (IAGA)
CN114358813B (zh) 一种基于场矩阵因子分解机改进的广告投放方法及***
CN112579741B (zh) 基于在线序列核极限学习机的高维多标签数据流分类方法
Zhan Classification models of text: A comparative study
CN113191450B (zh) 一种基于动态标签调整的弱监督目标检测算法
Jaleel et al. Textual Dataset Classification Using Supervised Machine Learning Techniques
Lv Classification of Grapevine Leaf Images with Deep Learning Ensemble Models

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