集成学习中特征选择技术

集成学习和特征选择是当前机器学习领域中的研究热点.集成学习通过重复采样可产生个体学习器之间差异度,从而提高个体学习器的泛化能力,特征选择应用到集成学习可进一步提高集成学习技术的效果,该研究有3个方面：数据子集的特征选择、个体学习器的选择和多任务学习.该文对近几年集成学习中特征选择技术的研究进行回顾,尤其对以上3个方面的研究分别进行总结,提出一些共性的技术指导以后的研究.     

基于强化学习的特征选择方法及材料学应用

随着大数据、人工智能以及高性能计算的快速发展, 数据驱动的新材料研发成为研究热点. 在对材料数据进行数据挖掘的过程中, 需要对特征集合进行预处理, 通过减少无关冗余特征, 不仅可以避免模型过拟合, 还能提高模型的可解释性. 基于此, 提出了一种基于强化学习的特征选择(feature selection based on reinforcement learning, FSRL) 算法, 将封装式特征选择抽象成机器学习模型和"环境"互动的过程, 并根据利益最大化准则将对应特征加入特征子集中. 同时, 为了提高模型的预测精度, 还提出一种基于符号变换的特征构造方法来生成新的特征. 最后, 将所提出方法应用到非晶合金材料的分类预测任务和铝基复合材料的回归任务中. 实验结果表明, FSRL 算法的分类准确率最高提升了 2.8%, 而在回归任务中, 基于特征构造的 FSRL 算法使得预测精度最高提升了 22.9%.     

本科院校学生外语学习行为模式的探讨

地方院校的学生在外语学习过程中有着自身的特点。通过对韶关学院110名本科二年级学生的课内外学习行为进行调查,发现:学习缺乏主动性和积极性;学习以语言接受为主,缺少实际交流;学习的目的主要是通过考试;有些学生还没有形成良好的外语学习习惯。针对这些问题,建议广大外语教师转变传统的教学观念、努力培养学生的自学能力;采用灵活多样的考试形式;引导学生充分利用多媒体资源。     

数学学习特征分析与数学教学策略研究

数学学习是中学生学习的重要组成部分,本文分析了中学数学学习的一般特征,提出了相应的教学策略,指出了实施这些策略教师应该具备的素质.     

学习方法的后现代观

选择适合自己的学习方法是提高学习效率的关键,这是每个学生都关心的问题。实践中,学生的学习方法除了受制约于教师的教学方法外,还应当考虑学习方法所具有的特征。本文从教学方法的历史演变赋予学习方法的基本特征和实际观察的大量现象,运用后现代理念阐述了学习方法的选择问题。     

关于数学理解性学习的思考

数学理解性学习是学生在理解基础上的数学学习，是一个不断建构良好数学认知结构的过程．灵活迁移是评判数学理解性学习的核心要素．数学理解性学习是一个动态的过程，要求积极主动的高级智力参与，具有创造性的本质．我们可以通过实施变式教学、引导学生进行反思、加强数学知识的结构化与系统化、注重数学交流等措施来促进学生数学理解性学习．     

高校学生外语学习特征与学习策略的研究与启示

高校外语学习一直是学者们研究和探讨的主题，在日益严峻的升学压力和就业压力下，高校外语教学与学习显得尤为重要。对于高校学生外语学习特征的研究更是刻不容缓，只有了解学习特征才能找出恰当、正确的学习策略，高校外语教学才能取得预期的成果，学生才能真正做到学以致用，在今后的竞争中脱颖而出。     

基于双支路核化群稀疏学习的微表情识别

在微表情识别系统中,常规的特征融合方法会引入冗余或干扰特征,因而会影响识别准确率和效率。针对上述问题,提出一种基于双支路核化群稀疏学习(Two-Branch Kernelized Groups Sparse Learning, TB-KGSL)的特征选择方法,并将其应用于微表情识别系统。首先,提取多个人脸区域的3个正交平面上局部二值模式(Local Binary Patterns from Three Orthogonal Planes, LBP-TOP)和多个方向上的单方向梯度直方图(Histogram of Single Direction Gradient, HSDG)两组不同类型的特征;然后,使用TB-KGSL模型从上述两组特征中分别选择有效区域的LBP-TOP特征和有效方向上的HSDG特征;最后,将选择的LBP-TOP和HSDG特征进行拼接融合,得到紧凑且可鉴别的特征,并使用基于支持向量机(Support Vector Machine, SVM)的分类器进行微表情分类。实验结果验证了TB-KGSL的可行性和有效性,并在CASME II和SMIC数据集上分别达到68.63%和7...     

融合子集特征级联预学习的封装方法研究

机器学习领域中的特征选择算法可简化模型输入，提高可解释性并帮助避免维度灾难及过拟合现象的发生.针对基于封装法进行特征选择时，评价模型通常将搜索出的特征子集直接作为输入，导致算法对特征利用和评估效果受限于评价模型的特征学习能力，限制了对更适特征子集的发现能力等问题，提出一种基于级联森林结构的子集特征预学习封装法.该方法在搜索算法与评价模型之间添加多层级联森林，重构待评价特征子集为高级特征集，降低评价模型模式识别难度，提高对子集性能的评价效果.实验对比了多种搜索算法及评价模型组合，本方法可在保证分类性能的前提下，进一步降低所选特征数量，同时维持了封装法的低耦合性.      

基于Relief算法的特征学习聚类

聚类作为数据挖掘常用工具之一,是按照事物间的相似性进行的一种无监督分类．然而传统的聚类方法较少考虑特征权值．为此,通过研究、分析Relief算法及其在聚类应用中存在的问题,提出了一种基于Relief算法的特征评价函数,并将此函数运用到特征学习聚类中,以解决特征权值取值不当对聚类产生的负面影响．     

高校体育教学研究性学习探讨

研究性学习运用于高校体育教学，为学生创建了一种开放的学习环境，提供了多渠道获取体育知识和基本技能的途径，不仅是体育学科建设的必然，也是研究性学习的有机组成部分。文章从分析研究性学习的涵义作为切入点，探讨了高校体育教学研究性学习的特征，对体育教学研究性学习的开展提出科学、合理的建议，旨在为提高高校体育教学质量，促进素质教育的更高层次发展。     

结合对比学习与空间上下文的人脸活体检测

人脸活体检测是面部识别应用的先决条件.现有方法利用多种特征提升检测精度,针对特征优化的研究较少,一些能起有效区分作用的特征未被提取,提出结合空间上下文特征与对比学习的人脸活体检测(SAC),分两个阶段:① 对比学习得到高级语义特征,扩大活脸和攻击脸之间的特征差距.此外,提出两种定义样本的策略以增强特征的可辨性.② 上下文判别器:自我注意学习输入的极端贡献性空间上下文.两阶段用跳跃连接保持特征表示一致性,分别用特征相似度和交叉熵损失训练.在公开数据集SiW、CAISA FASD和Replay Attack上测试,SAC在SiW的3种测试协议下均取得了与先进算法可比较的结果,在CAISA FASD和Replay Attack的跨数据集测试结果分别提升4％、11％,表明SAC能够有效准确判别欺骗人脸.     

交互视角下网络学习行为特征挖掘

网络学习已经成为互联网+时代的重要学习形式.为了提高网络学习效果,提供个性化的学习服务,对网络学习行为进行深入分析尤为重要.本文提出了人际交互、任务交互、内容交互和系统交互四个维度的网络学习行为模型,构建了基于交互的网络学习行为特征,对网络学习效果进行评价.以某网络课程学习者的网络学习行为数据为研究对象,通过分析网络学...     

虚拟学习社区中学习者的特征对网络学习的影响分析

研究学习者的特征对网络学习的影响,可以促进教与学的顺利进行.基于首都师范大学虚拟学习社区平台,利用王迎等人提出的DSMS模型分析影响网络教育应用课程中学习者的学习结果的元素.     

中介语的基本特征

中介语是介于母语和目标语之间的“语言”,它具有自己的特点和发展阶段。中介语作为目标语习得过程的言语表现,是外语学习者必须面对的一种语言系统,它在外语学习中会随着学习者目标语知识和能力的增强而逐渐停滞下来。     

美国俚语的特征及其学习方法的探讨

美国俚语广泛地运用于美国人的日常生活中,在美国英语里占据着重要地位。本文从美国俚语简洁生动、幽默风趣及其反映的美国社会文化三个方面进行分析,并探讨了如何学习俚语,从而使读者能够对美国俚语有全面的认识,更好地掌握纯正地道的＂活＂的美国英语。     

新课程背景下探究性学习的特征及其教育功能探微

探究性学习是在新课程下的教育教学活动中让学生成为研究者,让学生知识体系的建构,并成为知识传承与创新的主体的重要途径。这也是现代教育在建立健全教学生态系统方面的一种期望,也是开展创新教育所要追求的一种境界。探究性学习具有主体性,探究性,实践性,合作性,过程性等特征,并且具有调动学生学习积极性与主动性、培养学生的综合能力、唤起教师的创追性和提高教师的探究能力的教育功能。     

基于图拉普拉斯的多标签类属特征选择

多标签特征选择能够有效去除冗余特征并提升分类精度,是解决“维数灾难”问题的有效方法.然而,已有的多标签特征选择算法是对所有标签选择出相同的特征,忽略了标签与特征之间的内在联系.事实上,每个标签都具有反映该标签特有属性的特征,即类属特征.提出一种基于图拉普拉斯的多标签类属特征选择(multi-label label-specific feature selection based on graph Laplacian,LSGL)算法.对于每个类别标签,基于拉普拉斯映射获得数据的低维嵌入,再通过稀疏正则化获得数据空间到嵌入空间的投影矩阵,接着通过分析矩阵系数确定每个标签相应的类属特征,最后使用类属特征进行分类.在5个公共多标签数据集上的多标签特征选择与分类实验结果证明了所提算法的有效性.     

基于深度特征选择的多示例算法及在图像分类中的应用

信息技术高速发展为人们生活带来便利的同时,海量的信息也给人们带来许多困扰,如图像检索变得越来越困难.因此智能化地进行图像分类识别具有重要的研究意义.基于多示例学习的图像分类方法得到了越来越多学者关注,.也提出了一些算法,但仍存在特征表达有限,模型受无关示例影响较大的问题.文章提出一种基于深度特征选择的多示例算法,并验证...     

基于监督学习的核拉普拉斯特征映射分类方法

提出一种监督学习的核拉普拉斯特征映射方法(supervised kernel Laplacian eigenmap,SKLE),通过非线性核映射将样本数据投影到高维核特征空间,然后将流形结构和样本类别信息进行有效的结合后,提取嵌入在高维数据中的低维流形特征用于分类.实验表明,该方法对新样本具有泛化性,并且能有效提高分类的效能.