[发明专利]一种机器学习分类方法

权利要求书

1.一种机器学习分类方法，其特征在于，所述机器学习分类方法包括：

S1：设定需要分类的样本总数和残差精度；

S2：输入训练样本，得到样本输入向量；

S3：将所述样本输入向量进行分路处理，得到分路处理结果；

S4：对所述分路处理结果进行加权求和处理，得到样本输出向量；

S5：根据所述样本输出向量和预设期望向量，得到样本的残差向量；

S6：根据所述样本的残差向量，得到所述样本残差向量的平均残差；

S7：根据所述平均残差，得到方均根残差；

S8：对比所述方均根残差与所述残差精度，若所述方均根残差小于所述残差精度，输出分类结果；否则，进入步骤S9；

S9：根据所述残差精度，更新权重向量，并返回步骤S4。

2.根据权利要求1所述的机器学习分类方法，其特征在于，所述步骤S2中，所述样本输入向量为：

I＝{x₁,x₂,x₃,…,x_n}

其中，I表示样本输入向量，x₁,x₂,x₃,…,x_n表示第1至第n个输入样本。

3.根据权利要求1所述的机器学习分类方法，其特征在于，所述步骤S3中，所述样本输出向量为：

其中，O表示样本输出向量，o₁,o₂,o₃,…o_n表示第1至第n个输出样本，且n为结点数，i为角标，x为输入样本，w为权重向量，且

4.根据权利要求1所述的机器学习分类方法，其特征在于，所述步骤S4中，所述样本的残差为：

根据所述样本输出向量和所述预设期望向量，利用损失函数计算出的拟合差。

5.根据权利要求4所述的机器学习分类方法，其特征在于，所述损失函数为：

其中，T表示预设期望向量，且T＝{t₁,t₂,t₃,…,t_n}，t₁,t₂,t₃,…,t_n表示第1至第n个样本的期望值，O表示样本输出向量，且n为输入层的结点数，i为角标且i＝1～n，x为输入样本，w为权重参数，且

6.根据权利要求5所述的机器学习分类方法，其特征在于，所述残差的表达式为：

其中，e表示样本的残差，t为样本期望，i为角标且i＝1～n，x为输入样本，w为权重参数，且

所述步骤S5中，所述平均残差为：

其中，表示平均残差，n为结点数，i为角标，e表示样本的残差；

所述步骤S6中，所述方均根残差为：

其中，E_R为方均根残差，P为样本总数，表示平均残差，n为结点数，i为角标。