|
|
题目：
雅宝题库答案：
****此区域为收费内容**** 需支付 1 知识币后可查看，1币=0.01元查看答案
雅宝题库解析：
稀有事件如金融欺诈、网络入侵、设备故障等是各类组织长期关注的管理难题，其突发性和破坏性可能给组织带来难以估量的损失。在实践需求的推动下，稀有类分析研究迅速成为数据挖掘领域的热点题目，并广泛应用于突发事件应急管理中的恶意信息识别、C2C电子商务共谋欺诈识别等实践题目。现有的稀有类分析方法往往将题目局限在数据不均衡题目上，忽略了数据的固有结构特点，只能在一定程度上解决稀有类分析题目，当将其应用于复杂结构数据，或者称为数据中的复杂概念时，往往效果欠佳。针对以上题目，本文对稀有类分析的方法及其应用等进行了系统研究。主要研究内容概括如下。1、基于局部支持向量数据描述的稀有类分析算法复杂数据结构对稀有类分析起着不容忽视的影响，本文在单类支持向量数据描述算法的基础上，提出了一种基于局部支持向量数据描述的稀有类分析算法：LSVDD。LSVDD能够处理存在类重叠的类不平衡题目。该算法利用支持向量数据描述算法对各类样本分别进行单类学习，从而获得单类模型；然后对单类模型的概念重叠区域使用特征选择进一步进行局部单类学习，最后得到综合分类模型。在仿真数据集和UCI数据集上的实验结果表明，LSVDD能够有效和稳定地提高稀有类分析效果。2、类重叠题目及其处理方法研究类重叠题目的处理方法缺乏系统的研究，本文在已有文献基础上提出了四种类重叠学习算法，并创造性地将支持向量数据描述算法用于实际数据的重叠样本识别，对类重叠题目及其与类不均衡题目的相互影响进行了系统研究。在真实数据上采用五种分类器的实验结果表明：多数情况下“分隔法”是表现最佳的类重叠学习算法；分隔法通常对基于分界面而非规则的分类器更为有效；分隔法在类不均衡题目中表现很好，当分类器为支持向量机时尤为突出。最后针对支持向量机的实验结果给出了理论分析。3、稀有类分析中的组合学习方法研究组合学习方法应用于稀有类分析时对稀有类的识别效果不佳，本文在传统组合方法已有的基础上，提出了一种基于局部聚类的组合稀有类分析算法：LCEM。LCEM扩展了AdaBoost组合方法，采用了改善的权重更新机制，增加那些有时被划分正确，有时被划分错误的样本的权重；而降低那些每次都被正确和错误划分的样本的权重。同时对普通类进行局部聚类后将普通类转化为与稀有类样本数目较为均衡的形式再进行学习。实验结果表明，LCEM能够有效和稳定地提高稀有类和普通类的识别效果。4、稀有类分析的应用研究在以上研究的基础上，本文以实际应用为背景，分析如何将稀有类分析方法与实际题目相结合，并结合突发事件应急管理中的恶意信息识别说明了稀有类分析的应用过程。同时针对C2C电子商务中共谋欺诈识别进行了稀有类分析方法的实验。实验结果表明，本文提出的稀有类分析方法能够有效应用于实际题目，提高稀有类分析的效果，从而为组织相关决策提供支持，降低风险。 |
上一篇：生物再生生命保障系统生物单元之间物质迁移转化特性下一篇：Mo和Hf对NiTiAl合金微观结构和力学行为影响机理研究
|
发表于 2022-8-30 16:31:04
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
中发现Ni：
QQ登录
