[发明专利]整体式学习预测装置与方法、以及计算机可读的存储介质

说明书

本发明涉及一种整体式学习预测装置，该装置包含：损失模块，接收样本数据，由样本数据的第一预测结果与一实际结果来计算损失；多样性模块，接收样本数据，由该样本数据在至少一假说的第二预测结果来计算出该至少一假说间的多样性；样本权重模块，与该多样性模块相连接，由该第一预测结果与该实际结果计算该样本数据的可修正值，并由该可修正值来给样本权重值；以及整合权重模块，与该损失模块、该多样性模块与该样本权重模块相连接，由该损失、该多样性与该样本权重值建立目标函数，并借由该目标函数训练出整合权重值。其中，该整合权重值与过去多个时间点的整合权重值加以整合，计算出适应性整合权重值。

技术领域

本发明涉及一种整体式学习预测装置与方法、以及一种非暂存计算机可读的存储介质。

背景技术

预测不论在制造业，或是其他产业都扮演相当重要的角色，也是大数据分析重要的一环，经由对历史数据的分析，可以预测未来的事件。现有文献中有林林总总的预测方法，其中整体式学习(Ensemble Learning)是属于机器学习方法中监督式学习方法的其中一种方法，其方法是将各种预测方法(即基本假说(Hypotheses))通过结合权重整合出一个结果，而此结果，通常会比单一个别的预测方法更准确。但是在实际应用上，环境是会随时间而改变的，而造成概念飘移(Concept Drift)现象，导致基于历史数据建立的整体式学习模型的预测精确度下降，因此必须通过新生成的数据来重新训练或调整模型，以期在短时间内能恢复预测精确度，避免因为预测精确度的下降导致成本或风险的增加。

现有的技术是将样本权重值给定为正比于基本假说发生错误预测的个数，这样的样本权重值设定，对于有较多基本假说发生错误预测的样本，会给予较大的样本权重值，反而会造成过度强化这些样本，却牺牲掉其他可修正的样本数据的影响。

发明内容

本发明涉及一种整体式学习预测装置与方法、以及一种非暂存计算机可读的存储介质。

本发明提供一种整体式学习预测装置，该装置包含：损失计算模块，接收样本数据，由该样本数据的第一预测结果与一实际结果来计算损失；多样性模块，接收样本数据，由该样本数据在至少一假说的第二预测结果来计算出该至少一假说间的多样性；样本权重模块，由该第一预测结果与该实际结果计算该样本数据的可修正值，并由该可修正值来给样本权重值；以及整合权重模块，与该损失模块、该多样性模块与该样本权重模块相连接，且由该损失、该多样性、以及该样本权重值建立目标函数，并借由该目标函数训练出整合权重值。其中，该整合权重值与过去多个时间点的整合权重值加以整合，计算出适应性整合权重值。

本发明提供一整体式学习预测方法，该方法包含：根据样本数据的第一预测结果与实际结果来计算一损失；根据该样本数据在至少一假说的第二预测结果来计算出该至少一假说间的一多样性；并根据该第一预测结果与该实际结果计算该样本数据的可修正值，并由可修正值来给定样本权重值；以及根据该损失、该多样性与该样本权重值建立一目标函数，并借由该目标函数来训练出整合权重值。其中，该整合权重值与过去多个时间点的整合权重值加以整合，计算出适应性整合权重值。

本发明提供的非暂存计算机可读的存储介质，可执行上述方法。

为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合所附附图作详细说明如下。

附图说明

图1说明根据本发明与现有技术的错误降低率比较的附图；

图2举例说明本发明整体式学习预测装置的架构图；

图3举例说明本发明样本权重值可修正的示意图；

图4以二元分类器为例，说明根据本发明修正样本权重值的示意图；

图5说明根据本发明适应性权重值的范例的示意图。

具体实施方式