[发明专利]基于狄利克雷特分布的置信度计算方法

说明书

技术领域

本发明涉及一种置信度计算方法，特别是涉及一种基于狄利克雷特分布的置信度计算方法。

背景技术

传统的回归置信度计算方法，不能处理高维和线性不可分的情况下的置信度计算问题。随着特征的数量增加的，传统的置信度计算方法难以针对每个特征概率进行缺失补全、偏差修正等处理，容易造成计算结果的偏差。

发明内容

本发明所要解决的技术问题是提供一种基于狄利克雷特分布的置信度计算方法，其能够解决高维、线性不可分情况下的分界面预测问题，优化缺失、强关联、互斥情况下的特征概率。

本发明是通过下述技术方案来解决上述技术问题的：一种基于狄利克雷特分布的置信度计算方法，其包括以下步骤：

步骤一，隐含狄利克雷特分布参数估计训练；

步骤二，输入特征数据、特征处理；

步骤三，参数和权重归一化、置信度计算；

步骤四，利用置信度计算和排序。

优选地，所述步骤一包括以下步骤：

步骤十，输入训练样本数据；

步骤十一，隐含狄利克雷特分布参数估计训练；

步骤十二，输出模型的参数估计到基于狄利克雷特分布的置信度计算的模型参数中。

优选地，所述步骤二包括以下步骤：

步骤二十，输入预测数据；

步骤二十一，根据特征概率的特性，做补全、修正处理；

步骤二十二，输出处理后的概率到预测排序中，进行置信度计算。

优选地，所述步骤三包括以下步骤：

步骤三十，输入预测数据的特征概率；

步骤三十一，置信度计算；

步骤三十二，置信度归一化；

步骤三十三，根据归一化后的置信度预测和排序。

优选地，所述步骤四包括以下步骤：

步骤四十，类别输出模块，用于输出所分析得到对象的类别；

步骤四十一，排序输出模块，用于输出作案率较高的对象排序。

本发明的积极进步效果在于：本发明能够采用隐含规律的置信度计算，克服了回归等置信度计算方法在高维、线性不可分情况下的分界面预测问题；对不同类型的特征采取不同的处理方法，其中对缺失特征进行先验概率补全，对强关联、互斥特征进行概率缩放，避免了特征缺失、强关联、互斥带来的概率干扰，减少预测、排序偏差。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图给出本发明较佳实施例，以详细说明本发明的技术方案。

如图1所示，本发明基于狄利克雷特分布的置信度计算方法包括以下步骤：

步骤一，隐含狄利克雷特分布参数估计训练，用于获取样本数据并进行隐含狄利克雷特分布训练，得到模型的参数估计；

步骤二，输入特征数据、特征处理，用于计算预测数据概率，并针对特征概率进行修正；

步骤三，参数和权重归一化、置信度计算，用于对预测数据进行复杂的算法运算计算置信度、做归一化处理；

步骤四，利用置信度计算和排序。

所述步骤一包括以下步骤：

步骤十，输入训练样本数据；

步骤十一，隐含狄利克雷特分布参数估计训练；

步骤十二，输出模型的参数估计到基于狄利克雷特分布的置信度计算的模型参数中。

所述步骤二包括以下步骤：

步骤二十，输入预测数据；

步骤二十一，根据特征概率的特性，做补全、修正处理；

步骤二十二，输出处理后的概率到预测排序中，进行置信度计算。

所述步骤三包括以下步骤：

步骤三十，输入预测数据的特征概率；

步骤三十一，置信度计算；

步骤三十二，置信度归一化；

步骤三十三，根据归一化后的置信度预测和排序。

所述步骤四包括以下步骤：

步骤四十，类别输出模块，用于输出所分析得到对象的类别；

步骤四十一，排序输出模块，用于输出作案率较高的对象排序。

以上所述的具体实施例，对本发明的解决的技术问题、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。