5篇关于集成学习的计算机毕业论文

今天分享的是关于集成学习的5篇计算机毕业论文范文, 如果你的论文涉及到集成学习等主题,本文能够帮助到你

融合地理信息的兴趣点推荐算法研究

这是一篇关于推荐系统,相似用户组,集成学习,活跃区域,高斯混合模型的论文, 主要内容为定位技术高速发展和智能手机的不断普及见证了基于位置的社交网络的出现,同时人们也步入信息过载的时代。科技的高速发展促使生活中的信息量呈指数型增加,这给用户在生活中挑选有用信息带来诸多问题。而推荐系统在一定程度上能缓解这一问题,它旨在从复杂的数据中向用户进行其感兴趣的信息。兴趣点推荐作为推荐系统中的研究热点,基于历史签到记录,它向用户推荐其感兴趣的位置。传统的兴趣点推荐依赖于历史签到记录,忽略了位置类别在地理上的分布以及用户活跃区域外的位置,因此基于这些问题,本文提出一种基于位置地理信息的兴趣点推荐方法。首先,基于位置的聚集效应,本方法计算位置类别的相关性和位置的流行度;其次,构建距离影响以及用户的活跃区域,根据目标位置的地理分布来计算用户对位置的伪得分;最后获取用户的偏好得分。相比于多种不同的兴趣点推荐方法,实验结果显示本文所提出的方法实现了较好的性能。位置地理信息有效提高推荐方法的性能,但忽略了用户之间的关联性。基于用户之间的关联性以及用户在地理上的签到分布,本文提出一种基于Bagging集成学习的兴趣点推荐方法,该方法融合用户偏好和空间特征。首先,该方法构建特定用户的多组相似用户组;进一步,采用朴素贝叶斯算法来获取用户对目标地点的伪得分;然后,利用高斯混合模型对用户的签到行为进行建模;最后,基于Bagging集成学习框架获取用户的偏好向量。实验结果表明本文所提出的方法在推荐性能上优于现有的方法。

基于公理模糊集的集成学习决策树模型研究

这是一篇关于机器学习,公理模糊集理论,集成学习,决策树,在线系统的论文, 主要内容为随着智能化时代的到来和大数据处理技术的发展,数据信息已经不仅仅是一种消息概念,而是一种无形的宝贵价值财富。时代浪潮不断向前推进,数据挖掘技术已在社会各领域中扮演了不可替代的角色,在金融分析、医疗诊断、军事设备等领域发挥着重要作用。数据挖掘算法中的决策树算法原理清晰简单,分类性能稳定,分类结果精度高,对于不同类型数据都有很好的适应性。但是一般的决策树方法无法给出人类容易理解的分类解释,所以往往导致明白分类结果却无法给出相应可解释的描述;此外,单一的决策树由于数据的随机性或不平衡性可能会产生分类准确率极低的现象。公理模糊集理论可以通过代数运算和逻辑组合将数据背后所蕴含的规则使用模糊集灵活的表示出来;集成学习算法通过多个学习器高效的集成算法,在给出的各自分类结果后,最终经过集成算法汇总得出结果,性能更加稳定且准确率有所提高。本文结合公理模糊集和集成学习算法,提出一种基于公理模糊集的集成学习决策树模型,改进了决策树分类器的节点分裂指标,提出加权模糊信息增益率,对于不同属性信息分布不均匀的数据分类效果有很大提升;对公理模糊集理论的AFS结构进行改进,增加位图存储结构,的提升了算法的效率;结合公理模糊集框架,对于每个类别都给出恰当的模糊描述,使分类器具备很好的解释性,人们可以直观地理解背后含义;结合Adaboost集成学习模型,对数据进行属性约减,构造集成决策树模型,提升了分类的准确率。将所提出的算法模型在UCI数据集上与同其他经典的分类算法做了交叉验证的对比实验,实验结果表明本文的算法模型在多数的数据集上有着更高的准确率,说明了本文模型的有效性。此外,通过前后端分离技术搭建了基于Vue和Spring Boot框架的网络在线分类系统,可以便捷高效地通过网络使用该系统对数据进行分析。

网络嵌入中的噪声检测算法研究

这是一篇关于网络嵌入,链路预测,噪声检测,众包,集成学习,半监督学习的论文, 主要内容为在互联、大数据时代,网络(图形)数据结构已经成为保存数据的主要形式,如在社交网络、推荐系统、知识图谱等领域。网络嵌入,或者称为网络嵌入算法,其目的在于将网络用低维向量表示,同时保存网络拓扑结构以及网络中的辅助信息。但现有的网络嵌入算法研究都基于纯净数据展开,这在现实应用中几乎是不存在的。另外,噪声不仅会对网络嵌入带来负面影响,而且还会影响其下游分类及链路预测等任务。有鉴于此,研究网络嵌入中的噪声检测就非常有必要。本文将网络中的噪声分为节点标记类噪声和节点之间边噪声,设计实现了网络嵌入的噪声检测算法框架,这涵盖了网络嵌入中噪声检测的不同方面。本文主要内容包括类噪声检测研究、边噪声检测研究及高噪声率问题,如下所述:1.针对类噪声检测问题,提出了一种迭代式半监督学习检测算法。该算法在多分类器集成检测的研究基础上,结合网络中节点之间邻接关系,通过标签在网络中传播。这不仅有效地克服了带标签数据少,难以构建分类器的问题,而且迭代式的算法框架,提高了噪声检测率,优化了节点嵌入。另外,实验证明该算法可以有效提高节点嵌入在分类任务上的准确率。2.针对边噪声检测问题,提出了一种基于相似度的无监督检测算法。首先,该算法将边噪声分为缺失和冗余两类。其次,该算法在结合链路预测解决缺失链接的基础上,解决了网络中的边噪声问题。再者,实验表明分类检测对网络嵌入中的边噪声检测具有较高精确度。3.针对高噪声率问题,首先提出了基于网络数据结构的众包数据整合模型,这包括标签整合、嵌入整合两种集成算法。其次,基于统计学习理论对众包数据权重进行估计,显著提高了集成效果。最后,通过实验证明了结合网络数据相关性的整合模型具有一定有效性。

基于可解释性知识图谱的药物重定位

这是一篇关于药物重定位,知识图嵌入,可解释性,集成学习,图神经网络的论文, 主要内容为药物重定位是生物医学领域的一个重要研究方向,其通过挖掘现有药物的潜力来治疗新的适应症,能解决新药研发中高成本,低效率等问题。然而,传统的药物重定位方法一般是通过药物的副作用转化来实现的,难以满足市场以及研究者对于药物预测精度的需求。大数据时代的来临以及机器学习技术的兴起,为药物重定位领域带来了许多新兴的技术,知识图谱也凭借其优秀的数据处理能力脱颖而出。然而现有基于知识图谱的药物重定位方法大多预测能力有限,且无法提供对预测结果的解释,而结果的可解释性对于药物重定位这种高风险任务来说具有重要指导价值和安全性意义。针对上述问题,本文从生物医学知识图谱出发,利用图卷积神经网络、集成学习以及知识图谱嵌入等技术,对药物重定位预测任务的精度以及预测结果的可解释性进行研究。本文的主要研究内容和贡献如下:(1)本文使用六个公开数据集,并利用知识抽取,知识融合等技术构建出一个大规模的综合性生物医学知识图谱,其包含了13种实体类型和107种关系类型。(2)本文提出了一种基于集成的知识图卷积算法EKGCN用于药物重定位预测。首先,该模型将实体之间的关系融入到实体的嵌入表示中,从而获得含有丰富语义信息的实体和关系的嵌入表示。其次,EKGCN算法利用了模型侵蚀技术,生成多个模型,并使用集成技术对多个模型进行处理,使得集成后的嵌入表示不但保留了模型的固有特征,还减少了不同模型中的特征噪声,进而提高了模型的预测准确性。最后,本文将EKGCN算法与九种相关方法进行了对比。相比于最先进的预测算法,EKGCN在MRR(Mean Reciprocal Rate)上提升了2.7%,充分证明了本文算法的有效性。(3)另外,本文还提出了一种基于子图扰动的可解释性路径分析算法KGExplainer用于对预测结果提供解释。该算法包含了一种寻找关键路径的贪婪搜索策略和一种基于子图的嵌入重训练策略。本文提出的算法缩小了关键路径的搜索范围,且其计算复杂度与知识图谱的大小无关,因此,可应用于大规模知识图谱上。另外,本文在两个数据集上将KGExplainer算法与四种可解释性算法进行了对比,其相比于最先进的方法在ACC(Accuracy)上提高了9.7%,证明了本文算法的有效性。