基于SVM的分类预测

简单介绍了SVM的理论背景，详细介绍了基于SVM的分类预测方法。给出了基于SVM的分类预测技术的性能测试结果。指出该分类预测技术可将实际问题通过非线性变换转换到高维的特征空间，在高维空间中构造线性辨别函数来实现原空间中非线性辨别函数。     

基于深度森林的心衰死亡率可解释预测模型

在“大数据+健康中国”背景下,针对目前ICU患者心衰死亡率预测模型中性能无法满足临床应用的要求以及缺乏可解释性的问题,提出一种基于深度森林的ICU患者心衰死亡率的可解释预测模型.在数据预处理的前提下,对其建立深度森林预测模型;与已有研究中基于bp-SVM和AB-CNN-BiLSTM等多种机器学习模型进行综合对比实验,深度森林模型的各个评价指标分别达到0.980 1、0.985 1、0.980 2和0.993 8,其结果均优于所选的对比模型,证明了该模型的有效性;利用SHAP框架增强模型的可解释性,根据可视化结果获得了相关的重要影响因素排名,为有效降低其诊断费用以及协助医护人员作出及时精确的临床诊断策略提供决策参考.     

基于机器学习的Windows环境下恶意程序检测系统

针对Windows环境下恶意程序数量众多且难以判别的情况,为了改善和提高对恶意程序的识别能力和效果,结合程序行为分析和机器学习技术,设计了一个恶意程序的检测系统。通过对所采集的程序样本集进行动态分析,提取出其两类系统调用序列作为样本特征,以此作为输入数据,对机器学习分类器进行监督式学习训练,使其能够对恶意行为和正常行为进行区分,并可以对于未知程序的性质做出判定,可以高效地识别出恶意程序。结果表明,可以通过较短时间的训练即可到达较为满意的判定能力,也表明了机器学习对于程序行为性质判定方面具有广泛的应用前景。     

基于过采样和客观赋权法的岩爆预测

为解决基于机器学习的岩爆预测中存在的数据不均衡问题,提高模型泛化能力,进而提高岩爆预测性能,该文构建了由246组岩爆案例组成的岩爆预测数据集,优选了单轴抗压强度与单轴抗拉强度之比、最大切应力、最大切向应力与单轴抗压强度之比、单轴抗压强度、单轴抗拉强度、弹性能指数6个常用岩爆等级判别特征.通过引入9种经典机器学习算法,建...     

基于长记忆特性的死亡率模型研究

【目的】为了在实际应用中准确估计死亡率,提出基于长记忆特性的死亡率模型。【方法】选取个体死亡率数据,构建长记忆性死亡率模型进行研究。首先根据R/S分析(rescaled range analysis,重标极差分析)法估计死亡率队列的Hurst指数;然后利用长记忆性Milevsky-Promislow死亡率模型和Milevsky-Promislow死亡率模型对个体死亡率数据进行拟合对比;最后采用长记忆性死亡率模型预测个体死亡率,并将其应用到中国寿险业经验生命表中。【结果】能够捕捉长记忆性的死亡率模型对个体死亡率的拟合效果更好,队列的初始年龄、性别因素对拟合效果有一定的影响,且该模型对死亡率的预测较为准确。【结论】本研究通过构建长记忆性死亡率模型,为提高死亡率拟合预测效果提供了理论方法。     

矩阵损失下有限总体中的局部条件线性Minimax预测及唯一性

对于任意秩有限总体,在矩阵损失下,有关文献给出了线性预测函数的局部极大极小性。考虑带线性等式约束的线性模型{Cov（e）=σ^2V^E（e）=0^Hβ=0^y=Xβ＋e本文将在适当的假设下,得到线性可预测函数在一切预测类中任意秩有限总体的条件可预测变量的唯一局部条件线性Minimax预测（唯一性在几乎处处意义下理解）。     

基于图的Laplace矩阵和非负矩阵的图像分类

文章将图的Laplace矩阵和非负矩阵分解方法结合起来,应用于图像分类.对不同的图像先提取其特征点,再对提取得到的特征点构造图的Laplace矩阵,将构造的矩阵进行非负矩阵分解后得到图像的特征向量,最后将特征向量输入到PNN分类器中,对图像进行分类.对模拟图像和真实图像进行了多组实验,结果证明了该算法应用于图像分类的准...     

基于多核SVM的AdaBoost心力衰竭死亡率评估模型

【目的】心力衰竭简称心衰,是一种复杂的临床综合征,具有高发病率、高死亡率和预后效果不佳等显著特点,是各类心脏疾病发展的终末期,严重危害人类健康。因此,对心衰患者进行早期的预后评估研究至关重要,可以最大程度地帮助患者生存。【方法】提出一种基于多核支持向量机(multi kernel support vector machine, MK-SVM)和自适应提升算法(adaptive boosting, AdaBoost)的心力衰竭死亡率评估模型(MK-SVM-AdaBoost).该算法利用MK-SVM将特征映射到高维空间,并依据AdaBoost算法将基本分类器进行集成,实现死亡率的精确预测。同时,将合成少数过采样技术(synthetic minority oversampling technique, SMOTE)和Tomek links欠采样技术相结合的混合抽样方法引入到预测模型中,减轻不平衡数据集对模型性能的影响。【结果】在收集于白求恩医院的小型心衰数据集上进行心衰患者30 d内死亡率预测实验。实验结果表明,MK-SVM-AdaBoost模型的准确率和召回率分别达到了85.63%和86....     

基于改进机器学习算法的微电网短期负荷预测

为了对具有基数小、波动大及随机性强等特点的微电网负荷进行准确预测,提出了一种基于改进的机器学习算法。该算法包括基于蚁群算法的模型参数寻优和基于改进核函数极限学习机的预测模型2部分。首先,对蚁群算法信息素的作用方式进行了改进,并将训练误差用于计算蚁群个体的新增信息素,从而得到最优的模型参数。其次,采用基于加权离散距离的方法对训练数据进行筛选,留下相似度高的训练样本对核函数输出权重进行训练,从而减少计算量,提高预测精度。用某小区高层楼宇的电网历史负荷数据,在Matlab中对算法进行仿真验证,结果表明预测算法能较好地实现微电网的负荷预测。     

基于机器学习算法的股价回归预测研究

互联网技术的发展,影响着传统行业工作模式和流程,许多行业希望借助互联网技术得到进一步的发展,量化交易在实务操作中越来越重要。该文基于abu量化系统,构建特定的交易环境,运用sklearn的线性回归模块进行仿真分析,得出较为理想的预测结果,根据得出的预测结果从一定程度上论证了量化交易的可行性,也证明了机器学习算法在实际投资操作中所具有的优势。     

基于XGBoost的深圳二手房价格预测

为了更加精准地预测二手房价格,该文以2019年深圳市二手房的真实交易数据为研究对象,利用线性回归模型、随机森林模型和XGBoost模型并加以POI计算来预测二手房价格.首先,对数据集进行清洗并可视化展示.其次,运用百度地图进行POI处理扩充数据集,使得数据集接近现实情况.接着,按照数据特征对房价影响的重要程度进行了排序,选取重要的特征来训练模型.最后,通过数值结果分析,XGBoost模型对二手房的房价评估效果最好,尤其是经过POI处理的数据集和XGBoost模型的这种组合,对于深圳市的二手房价格具有极好的预测效果.     

基于广义矩阵指数的判别局部保持投影方法

【目的】局部保持投影（LPP）是一种经典的非线性数据降维方法。在LPP方法基础上人们提出了判别局部保持投影方法（DLPP）,并取得了良好的效果,但DLPP方法存在小样本问题,针对该问题提出了广义矩阵指数判别局部保持投影（GEDLPP）算法。【方法】基于矩阵函数的性质,使用广义矩阵指数函数来重构DLPP,即为GEDLPP算法。【结果】提出的算法有两个优点：一是解决了DLPP方法的小样本问题;二是GEDLPP所隐含的非线性映射拉伸了不同类别样本之间的距离,从而提高了模式分类的能力。【结论】在COIL-20数据库,Yale,ExtendedYaleB和CMU-PIE人脸数据集上的实验结果表明：与最近提出的解决DLPP小样本问题的改进方法相比,GEDLPP的识别率优于其他方法。     

基于Stacking集成模型的网络流量预测研究

针对网络流量预测准确率不够高的问题,结合当下流行的集成学习(Ensemble Learning),提出一种Stacking集成多种模型的网络流量预测方法;将天气因素量化后作为输入,使用7个机器学习模型分别对网络流量进行预测,然后根据对不同模型预测结果的Pearson相关系数的分析,选取相关性较弱的5个模型作为Stack...     

多因变量线性模型下三类预测的最优性判别

在多因变量多元线性模型中就岭型主成分型预测与最优线性无偏预测、主成分型预测之间的最优性判别问题进行讨论.得到岭型主成分型预测在R(i)(·)准则下优于最优线性无偏预测和主成分型预测的两个充要条件,同时得到了其在MDE-准则和矩阵迹RT(·)意义下优于最优线性无偏预测和主成分型预测的充分条件.     

基于K-最近邻算法的话务智能预测技术

提出基于K-最近邻算法的话务智能预测技术,利用机器学习算法从电信话务信息的历史数据中提取规律,从而预测未来的电信话务信息情况。在算法中根据时间间隔对样例的距离度量进行了特征加权。针对互联互通来话数据的实验表明,该算法具有良好的性能。     

基于岭估计的最优预测与经典预测的最优性判别

针对有偏估计的预测问题 ,以岭估计为基础 ,以离差矩阵MDE(MeanDispersionError)和广义风险函数为判别准则 ,对广义线性回归模型 {y =Xβ +e ,e～N(0 ,σ2 W ) }的最优预测量与经典预测量的最优性判问题进行了讨论。借助矩阵不等式的一些性质 ,获得在离差矩阵判别准则和风险函数判别准则下判断两类预测量最优性的充要条件。为进一步研究基于有偏估计关于两类预测量的最优性判别问题提供了一种方法和思路     

基于高斯过程机器学习的冲击地压危险性预测

针对多种复杂影响因素条件下,如何有效预测冲击地压危险性这一类复杂的模式识别问题,提出一种基于高斯过程机器学习的冲击地压危险性预测新模型,通过对少量训练样本的学习,能很好地建立冲击地压危险性与其影响因素的非线性映射关系.算例结果表明,该模型科学可行、容易实现且预测精度高,具有良好的工程应用前景.     

基于非负矩阵分解的OD矩阵预测

提出了一种非负矩阵分解-自回归模型,并用该模型对居民出行流量进行预测.该模型首先利用非负矩阵分解方法挖掘城市区域内的居民出行特征,而后在非负矩阵分解获得的特征矩阵和系数矩阵基础上对时序系数矩阵建立自回归模型,进而对起讫矩阵进行预测.以北京市出租车数据为基础,与时空权重K近邻、传统K近邻、反向神经网络、朴素贝叶斯、随机森林和C4.5决策树回归模型对比,实验结果表明,该模型的预测准确率有显著提升.