排序方式: 共有1条查询结果,搜索用时 0 毫秒
1
1.
针对复杂产品多属性、高维度的特点,引入LASSO方法对其关键质量特性进行识别。首先利用LASSO方法的特征选择能力降低原始数据集的维度,并获得原始数据集中质量属性同质量类别相关性的排序;根据要求数量选取属性组成关键质量特性属性子集,利用SVM测试所选取属性子集的分类精度,并同已有文献结果进行对比。以UCI数据库中SECOM数据集为例,采用SMOTE过抽样和随机欠抽样相结合的方法使数据均衡后进行测试。结果表明,该方法不仅能够消除高维原数据集中不相关和冗余属性,还能保持良好的分类质量。同IG和ReliefF等方法相比,文中方法所获得的关键质量特性的分类精度有显著提高,并且第二类错误率也明显低于前两种方法。 相似文献
1