[发明专利]一种机器学习分类方法

说明书

本发明公开了一种机器学习分类方法，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。本发明所提供的机器学习分类方法，能够解决现有的机器学习分类方法无法解决多元化问题的问题。

技术领域

本发明涉及机器学习技术领域，具体涉及一种机器学习分类方法。

背景技术

分类，即将给定的相当数量的数据集，按照某种特定的学习方法，找到某个可以完成对该数据集已知类别分类的函数或模型，判断输入该模型的数据所属的类别，将数据划分到已知的类别中去。分类问题是机器学习的基础问题，是数据分析领域的核心问题之一。

随着计算机科学的发展与社会实际问题与需求的增多，分类问题大量涌现在各行各业的现实场景中，实际应用于工业、设施农业、金融、IT、医疗卫生等行业中。在大数据盛行的时代，以分类问题为核心的数据挖掘、数据分析给予了市场更大的发展空间。

分类问题一般使用如神经网络、朴素贝叶斯算法、决策树等方法。神经网络是解决分类问题的重要机器学习算法，BP神经网络在解决分类问题上应用最为广泛，具有很强的自主学习能力，对复杂度和维度高数据的分类适应性好。朴素贝叶斯算法是一种概率分类工具，该算法数学原理简单，鲁棒性强，由于操作方便、便于开发而被广泛使用。而决策树算法是一种常见的归纳学习算法，可以用于解决分类问题，逻辑清晰便于理解，精度很高，由于决策树所展现的分类决策过程非常直观，很多成熟的工具都可以对决策树进行可视化。

分类应用场景的复杂化促使新型分类问题的出现，也使得分类问题的解决方案变得多元化，因此以机器学习方法为基础解决分类问题的方法也得到了快速发展。然而，解决分类问题的机器学习方法依然存在一定的问题。近年来，针对分类问题的研究主要在对现有机器学习模型的应用和改进上，极少有新的机器学习算法被提出。

发明内容

本发明的目的在于提供一种机器学习分类方法，以解决现有的机器学习分类方法无法解决多元化问题的问题。

本发明解决上述技术问题的技术方案如下：

本发明提供一种机器学习分类方法，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：输入训练样本总数，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。

可选择地，所述步骤S2中，所述样本输入向量为：

I＝{x₁,x₂,x₃,…,x_n}