主分类
A 农业
B 作业;运输
C 化学;冶金
D 纺织;造纸
E 固定建筑物
F 机械工程、照明、加热
G 物理
H 电学
专利下载VIP
公布日期
2019-08-20 公布专利
2019-08-16 公布专利
2019-08-13 公布专利
2019-08-09 公布专利
2019-08-06 公布专利
2019-08-02 公布专利
2019-07-30 公布专利
2019-07-26 公布专利
2019-07-23 公布专利
2019-07-19 公布专利
更多 »
专利权人
国家电网公司
华为技术有限公司
浙江大学
中兴通讯股份有限公司
三星电子株式会社
中国石油化工股份有限公司
清华大学
鸿海精密工业股份有限公司
松下电器产业株式会社
上海交通大学
更多 »

一种分类器构建方法及预测分类的方法在审

申请号: CN201810098965.7 全文下载
申请日: 2018-01-31 公开/公告日: 2018-06-15
公开/公告号: CN108171280A 主分类号: G06K9/62
申请/专利权人: 国信优易数据有限公司
发明/设计人: 夏耘海;李燕伟;王甲樑
分类号: G06K9/62
搜索关键词: 分类器构建 模型训练 预测 分类器 分类 训练数据集 准确度 分类信息 候选模型 属性特征 自变量 属性信息 训练样本 预测目标 从属性 错误率 因变量 样本
我不想注册,点击直接下载立即登录,下载文献升级会员,免费下载

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于国信优易数据有限公司,未经国信优易数据有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

 
【摘要】:
发明提供了一种分类器构建方法及预测分类的方法,其中,该分类器构建方法包括:获取多个训练样本的训练数据集;其中,训练数据集包括属性信息和分类信息;从属性信息中提取属性特征;将属性特征作为初始自变量,将对应的分类信息作为初始因变量进行至少一轮模型训练;其中,每一轮模型训练由至少两个候选模型参与;将每一轮模型训练中错误率最小的模型的组合,作为完成训练的分类器。通过本发明提供的分类器构建方法及预测分类的方法,基于至少两个候选模型进行至少一轮模型训练以得到分类器,并能够根据训练好的分类器预测目标样本的分类,避免了采用单一的分类方法所带来的预测精度和预测准确度均较差的问题,预测的精度和准确度均较高。 1
 
【主权项】:
1.一种分类器构建方法,其特征在于,包括:

获取多个训练样本的训练数据集;其中,所述训练数据集包括属性信息和分类信息;

从所述属性信息中提取属性特征;

将所述属性特征作为初始自变量,将对应的分类信息作为初始因变量进行至少一轮模型训练;其中,每一轮模型训练由至少两个候选模型参与;

将每一轮模型训练中错误率最小的模型的组合,作为完成训练的分类器。

2.根据权利要求1所述的方法,其特征在于,每轮训练执行如下操作:

基于本轮训练使用的训练数据确定当前自变量的自变量值和当前因变量的因变量值,对参与本轮训练的至少两个候选模型进行训练;

根据本轮训练的结果,从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型;并

确定所述第一候选模型在本轮训练中得到的分类结果错误的出错训练样本;

基于预设权重更新规则,将出错训练样本的权重更新;

根据所述多个训练样本的当前权重,对多个训练样本进行分层抽样处理,得到下一轮训练需要使用的训练数据,进入下一轮训练。

3.根据权利要求2所述的方法,其特征在于,针对除第一轮训练之外的其他轮训练,在基于本轮训练使用的训练数据确定对应自变量的自变量值和对应因变量的因变量值之前,还包括:

基于上轮训练结束确定的本轮训练需要使用的训练数据所包含训练样本的特征,构建针对本轮训练的新的属性特征;并

将所述新的属性特征确定为当前自变量,将对应的分类信息确定为当前因变量。

4.根据权利要求2所述的方法,其特征在于,针对除第一轮训练之外的其他轮训练,根据本轮训练的结果,从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型,具体包括:

基于所述多个训练样本的属性信息,确定每个训练样本的对应当前自变量的自变量值及当前因变量的因变量值;

将每个训练样本的对应自变量值分别输入本轮完成训练的至少两个候选模型,得到各训练样本的分类结果;

根据得到的各训练样本的分类结果以及对应的分类信息,从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型。

5.根据权利要求2‑4任一项所述的方法,其特征在于,在确定出错误率最低的第一候选模型之后,还包括:

根据该最低错误率与模型权重的预设数值关系,确定所述第一候选模型的权重;其中,所述预设数值关系满足错误率越小,模型权重越高;

将每一轮模型训练中错误率最小的模型的组合,作为完成训练的分类器,具体包括:

将每一轮模型训练中错误率最小的模型及其对应模型权重的加权组合,作为完成训练的分类器。

6.根据权利要求2‑4任一项所述的方法,其特征在于,根据所述多个训练样本的当前权重,对多个训练样本进行分层抽样处理,得到下一轮训练需要使用的训练数据,具体包括:

从所述多个训练样本中,确定当前权重大于初始权重的部分或全部的训练样本,作为第一训练样本;

根据确定的第一训练样本的数量以及预设数量关系,确定对应数量的当前权重小于初始权重的第二训练样本;并

将所述第一训练样本和所述第二训练样本对应属性信息以及分类信息作为下一轮训练需要使用的训练数据。

7.根据权利要求6所述的方法,其特征在于,所述将所述第一训练样本和所述第二训练样本对应属性信息以及分类信息作为下一轮训练需要使用的训练数据之前,还包括:

基于所述第一训练样本的分布特征合成预设数量个第三训练样本;

所述将所述第一训练样本和所述第二训练样本对应属性信息以及分类信息作为下一轮训练需要使用的训练数据,包括:

将所述第一训练样本、所述第二训练样本和所述合成的第三训练样本对应属性信息以及分类信息作为下一轮训练需要使用的训练数据。

8.根据权利要求6所述的方法,其特征在于,在进入下一轮训练之前,还包括:

对确定的下一轮训练需要使用的训练数据进行类别不平衡处理。

9.根据权利要求2‑4任一项所述的方法,其特征在于,在从参与本轮训练的至少两个候选模型中确定错误率最低的第一候选模型之后,还包括:

确定该最低错误率未达到预设错误率阈值。

10.一种基于权利要求1至9中任一项训练好的分类器预测分类的方法,其特征在于,包括:

获取目标样本的属性信息;

针对每轮训练得到的错误率最小的模型,基于所述目标样本的属性信息,确定该模型所使用属性特征对应的特征值;

将各错误率最小模型对应的特征值分别输入对应模型得到各错误率最小模型分别对应的分类结果;

基于各错误率最小模型对应的模型权重,对各分类结果进行加权求和,并将得到的和值确定为所述目标样本的分类结果。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。
我不想注册,点击直接下载立即登录,下载文献升级会员,免费下载

本文链接:http://www.vipzhuanli.com/patent/201810098965.7/,转载请声明来源高智网。

 
地址: 100070 北京市丰台*** 国省代码: 北京;11
代理公司: 北京超凡志成知识产权代理事务所(普通合伙) 11371 代理人: 陈剑
权利要求书: 查看更多 说明书: 查看更多
专利分类
×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

高智网在线咨询

400-8765-105周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top
定制专利/购买专利

行业大牛为您服务 快来咨询~

4008765105 / 022-60709568