基于重采样策略的选择性谱聚类集成学习算法

提出了一种新的基于双重采样的选择性集成学习算法。针对集成学习要求学习器个体的差异性分布在样本空间的不同部分,对得到的聚类个体学习器输出进行重采样,以此来计算聚类个体的差异性。针对集成学习要求得到的个体学习器具有一定的精确性,对所有得到的学习器个体集合进行重采样来评估聚类个体精确性。在此基础上选择出集成学习所需的个体集合。以谱聚类算法作为基学习器,用聚类集成策略部分解决了谱聚类算法存在的尺度参数敏感问题,在UCI数据集上的仿真实验验证了算法的有效性。     

基于Stacking特征增强多粒度联级Logistic的个人信用评估

主要针对广受关注的P2P网贷信用评估问题，利用机器学习方法提高申请人网贷违约预测准确率，研究出基于Stacking特征增强多粒度联级Logistic方法及其应用.所提分类器是一种混合模型，结合了Stacking集成学习和联级Logistic学习的思想.首先，通过网格搜索技术分别建立XGBoost, Catboost, LightGBM,AdaBoost以及Gradient Boosting模型，并筛选出适合的基评估器作为Stacking集成的初级学习器，logistic模型作为次级学习器，构建基于Stacking的多粒度扫描器，生成预测结果作为元特征，拼接成新特征数据.其次，通过新特征数据以及元特征在每级Logistic上的特征增强建立联级Logistic Regression模型，并且与现有的单一集成学习器和各基评估器在3个不同的P2P网贷信用评估数据集上进行对比.实验结果表明，通过AUC、准确率等指标对其进行评价，相比于各基评估器以及其他单一集成分类器，基于Stacking增强多粒度联级Logistic模型有较高的准确率，预测效果更优.     

基于主成份分析的Bagging集成学习方法

机器学习中数据集的冗余特征会影响学习器的泛化能力，一些流行方法如支持向量机和集成学习也难免于此．研究了利用主成份分析进行特征变换对Bagging集成学习算法的影响，提出一种称为PCA—Bagging的算法，并与其它算法比如单个支持向量机、支持向量机Bagging集成、带有特征变换的单个支持向量机等进行了性能比较．在多个UCI标准数据集上的实验表明PCA—Bagging算法具有更好的性能，这说明即使是泛化能力很强的集成学习方法其学习的数据也需要进行适当的特征变换。     

基于集成特征选择的盗窃案件预测方法

盗窃类案件是公安机关较为棘手的一类犯罪,呈现高发低破态势.提前预测发案情况是预防该类型犯罪的有效途径,因此对预测盗窃犯罪提出了一种以Bagging方法为基础、基于特征选择准确度和差异性双重考量的集成学习算法,根据集成学习器好而不同的原则,构造由异质基学习器集成的特征选择器,实现对影响盗窃犯罪发生因子的有效选择,使用更少维度的特征数据集提升犯罪预测的效率和准确度.实验结果表明,提出的SEFV_Bagging算法具有较好的泛化能力和稳定性,在测试数据上表现出的预测准确度也较为理想,且算法无需根据先验知识设置所选特征子集维数,在盗窃犯罪数据分析预测领域应用中有较为明显优势.      

基于分类的集成学习算法研究

集成学习可以提高分类器的泛化性能,这种方法已经成为机器学习的重要研究方向之一.通常,集成学习主要由2部分构成,即个体生成方法及结论生成方法.从集成学习的差异性角度出发,对集成学习中个体的构造方法及结论生成方法进行了分析与研究,对集成学习中存在的问题及未来的研究方向进行了探讨.     

基于特征加权的神经网络集成及其应用

泛化能力是机器学习关注的基本问题之一.特征加权是特征选择的更一般情况，它能更加细致地区分特征对结果影响的程度，往往能够获得比特征选择更好的或者至少相等的性能，已经成为普遍的提高学习器的泛化能力的方法之一.该文提出一种基于特征加权的神经网络集成方法FWEART，该方法通过自适应遗传算法的优胜劣汰机制为输入属性确定了特征权值，提高了集成中各个体Category ART网络的精度和差异度，从而提高了神经网络集成的泛化能力.在UCI标准数据集上验证了有效性后，FWEART被应用在地震序列类型预报上，取得了较好的预报效果.     

基于聚类算法的选择性神经网络集成

为了提高集成个体的差异度,提出了一种利用聚类算法去除冗余个体的选择性集成方法,该方法通过使用神经网络作为基学习器,并在多值分类数据集上进行实验．结果表明,该技术计算效率高,精度与稳健性也与基于遗传算法的选择性集成方法相当甚至占优．     

神经网络动态集成技术及其应用

针对当前神经网络集成方法在提高泛化能力方面的不足,提出了神经网络动态集成技术。该技术首先对神经网络集成中的个体之间进行负相关处理提高个体的差异度,然后选择训练误差较小的个体来提高个体的精确度。最后,以广东省某市的宏观经济数据为例,证明了该技术的有效性。     

集成规划的行动-自适应评价强化学习算法

研究了行动-自适应评价强化学习方法,考虑到行动器所采取的探索策略对学习性能的影响,利用混合探索策略进行探索;分析学习和规划的特点,在评价器中应用集成模型学习和无模型学习的学习方法,在行动器应用新的混合探索策略,提出一种集成规划的行动-自适应评价强化学习算法并进行仿真实验,实验结果表明,新算法有较好的学习效果.     

一种基于集成学习的分布式聚类算法

基于集成学习的思想,提出一种分布式聚类模型.该模型的分布式处理过程分为2个阶段:先在局部站点局部聚类,然后在全局站点全局聚类.局部站点的局部聚类看作是一种基于数据子集的学习过程,所有的局部聚类结果组成了聚类集成系统的个体学习器,全局聚类采用平均法对局部结果进行集成,并定义了一个准则函数来度量集成的精度.把K-means算法推广到分布式环境,提出一种基于该模型的分布式K均值算法DK-means,该算法对局部数据的分布有较强的伸缩性.实验结果表明,DK-means在同等条件下能达到集中式聚类的精度水平,是有效可行的,从而验证了基于集成学习的分布式聚类模型的有效性.     

紧紧把握五个特性着力解决五个问题——建设学习型党组织问题及对策探析

把各级党组织建设成为学习型党组织,是建设马克思主义学习型政党的基础工程。认识和分析学习型党组织建设过程中出现的各种矛盾、问题,从解决矛盾问题入手,深入推进学习型党组织建设,是马克思主义辩证唯物主义方法论的要求,也是提高党的建设科学化水平的要求。把握学习型党组织的基础性、系统性、针对性、连续性和实践性,从学习动力、内容、方法、机制、学风等五个方面入手,分析学习型党组织建设过程中的问题,研究对策,使学习型党组织建设走向科学化、制度化、规范化。     

学习自控力与学习动机、自信心、责任心的相关研究

本文修订了学习自信心、学习动机、学习责任心三个量表。用这三个量表所测量的数据与学习自控力量表得分算相关和路径分析。结果发现：①修订的学习自信心、学习动机和学习责任心量表具有一定的信度；②学习心理对学习自控具有显著的影响，而学习动机与学习责任心对学习成绩没有直接的显著性影响；这似乎可以说明：其它学习心理对学业成就的影响，需要通过行为的自我控制才能真正起作用；③学习自信心对学习成绩有显著性的影响。教学中，老师要注意培养学生学习的自信心，同时要重视把学生的学习动力转化为实际的学习行动。     

论内隐学习理论在英语学习中的应用

探讨了内隐学习理论在英语学习中的应用,包括内隐学习在英语学习中的作用;内隐学习与英语语感的培养;营造有利于内隐学习的良好环境;利用课外材料辅助英语学习等方面。     

浅谈初中化学教学中学生自学能力的培养

让学生学会学习是 2 1世纪教育的主要目标 .本文结合初中化学教学内容 ,从学生的阅读能力、学习主动性、学习能力、自我发展能力等方面总结了在日常教学中应怎样培养学生的自主学习能力 .     

如何上好第一节地理课

从理论和实践两个方面，阐述了上好第一节中学地理课的意义及其途径．     

Web信息提取中多策略学习算法的研究

将一种新的机器学习方法－多策略学习算法应用于Web信息提取领域，在原有的机械学习，统计学习和相关学习等三种机器学习法基础之上充分考虑各学习方法的利弊，将三者有机结合，使得结合后的新算法在提取Web信息时比结合前任一单一机器学习方法都更有效、更准确。     

基于网络的自学学习引导环境的构建

随着网络教学的深入开展，网络学习环境建设正逐渐受到关注。强调要重视网络学习引导环境的建设，分析了网络自学学习引导环境的设计理念，构建了一个学习引导环境模型，并对其核心模．块展开讨论，旨在为促进网络学习效果的最优化提供一些建设性思路。     

高中英语教学中学生自主学习能力的培养

本文简要介绍英语自主学习(autonomous learning)能力培养的基本方法和策略,指导学生提高学习效率,使学生乐学、好学、会学。     

机器学习研究

由于Internet的使用，不分时间与地域地获得信息已成为现实，但是，如何有效利用这些信息，并使用这些信息提高生产率成为迫切需要解决的问题．机器学习是解决这类问题的有效方法之一．在此将对目前机器学习研究的主要趋势、理论与技术以及存在的问题，根据作者的研究经验进行综述，以便引起研究者的注意．     

论革除恶性竞争性学习、建立合作学习的重要性

文章分析了恶性竞争学习存在的原因,指出恶性竞争学习给学习者和社会带来的危害和不良后果,阐述了以合作学习取代恶性竞争性学习是构建和谐社会、学习型社会的迫切需要,是素质教育、人才培养的必由之路.介绍了合作学习的理念和特点.