Cost-Sensitive学习的一个新课题

Cost-Sensitive学习注重分类过程中的各种代价,特别是误分类代价和属性代价。在Cost-Sensitive学习中还有一种代价对分类的总代价有较大影响,这种代价可称为分类延时代价,即延误分类而造成的代价。包含分类延时代价的Cost-Sensitive学习是Cost-Sensitive学习中一个新的课题,这个新课题的目标是使分类过程中的误分类代价、检查代价及分类延时代价之和达到最小。给出包含一种简单的分类延时代价的Cost-Sensitive学习,提出一个既"摊薄"延时代价又减少浪费检查代价的检查策略。     

误差在Cost-Sensitive分类中的应用

针对使检查代价和误分类代价最小化的Cost-Sensitive学习,讨论误差在分类过程中的应用,提出一个带阈值的决策树,并给出一个带阈值的检查策略.在基于Cost-Sensitive学习的分类中,确定属性值所用到的检测手段和设备精度存在一定的误差值,评估误分类代价更是有较大的误差.另外,很多分类问题并不要求达到百分之百...     

水利工程风险损失概率分布模型分析

在水利工程风险估计过程中,选择的风险损失概率模型是否合适,将直接关系到水利工程风险估计结论的好坏,进而影响到风险管理者决策的质量.因此,本文采用建立模型和实例分析相结合的方法,根据水利工程风险事故历史资料对工程风险损失描述的详尽程度,主要分析了水利工程风险损失概率的两种模型:“损失概率曲线拟合”模型和“补空——理论概率...     

基于图像理解和意图识别的多Agent自主协同方法

研究了基于图像理解和意图识别的多Agent自主协同方法,研究对象是空中目标,估计跟踪关系,帮助观察者有效地做出决策.列出了两种跟踪模型:一是通过估计敌方飞机的飞行路径来调整自己的前进方向;二是一直向敌方方向跟踪.基于两种方向,提出了一种复合函数来估计跟踪趋势的概率,同时假设Agent之间正态分布的关系来估计概率以便决策合作策略.将贝叶斯网络有效地应用在这两种跟踪模型中.所提出的算法均被应用于仿真序列图实验,证实了所提方法的有效性.     

基于定性指标价值位置概率估计的效率模型

为克服CKS-DEA(Cook Kress Seiford-Data Envelopment Analysis)模型所采用的价值排序结构没有能力合理界定和控制决策单元之间的价值差异的缺陷,通过引入对决策单元定性指标偏好及其所处价值排序位置的概率估计,提出了一种测度决策单元相对效率的模型方法.在定性指标价值排序上,该方法采取等距价值结构,改进了CKS-DEA模型所依赖的非等距价值结构.等距价值结构的引入,使决策者或有关专家对决策单元定性指标价值偏好位置进行概率估计成为了可能;更有助于分析者通过价值位置的概率估计,构造出约束DEA权重取值的合理置信域,从而提高决策单元相对效率评价的分辨性.对10个决策单元进行效率评价的实例应用表明,利用该模型评价出的效率单元只有4个,而若用CKS-DEA模型进行评价则会有9个单元被评为效率单元,从而证实了提出的新模型方法具有比CKS-DEA模型更好的相对效率评价分辨能力.     

基于基因表达式编程的代价敏感分类算法

针对传统分类算法在稀有类上的分类效果不佳,通过引进代价矩阵,改进了基因表达式编程的适应度函数,提出了一种基于基因表达式编程的代价敏感分类 (CSC-GEP：Cost-Sensitive Classification-Gene Expression Programming) 算法,并在UCI数据集上对该算法进行了实验。实验结果表明,CSC-GEP的召回率、精度和F-度量值较C4.5分类器分别提高了7.07%,2.89%,5.12%,证明了CSC-GEP是一种有效的代价敏感分类算法。     

双论域模糊概率三支决策模型及其应用

双论域信息系统下的模糊概率粗糙集是粗糙集理论的一个重要拓展模型，然而，该模型目前还未有三支决策方面的相关研究。针对这一问题，提出一种双论域信息系统下的模糊概率三支决策模型。文中首先在双论域模糊概率粗糙集基础上定义了决策动作和决策代价的概念，然后以贝叶斯决策最小化代价为基础，推导出了双论域模糊概率关系下决策区域的三元划分，即三支决策模型，最后提出了双论域信息系统的模糊概率三支决策分类算法。实验分析证明了所提出的三支决策分类算法在双论域信息系统上的有效性和优越性。     

有限规划水平部分可观Markov自适应决策过程的参数决策

提出了一种有限规划水平部分可观、不确定Markov决策过程自适应决策算法.算法的基本思想是运用Bayes理论对未知系统进行"学习”,通过最小决策失误概率的参数决策实现参数估计,在参数估计的基础上进行控制决策从而以最大概率实现最优决策.文中证明了决策算法的收敛性.仿真结果表明了决策算法的有效性.     

序贯三支决策的代价敏感分类方法

序贯三支决策体现了信息粒化和代价敏感学习的优势,其中信息粒化是人类认知和决策执行的基础,代价则是信息处理涉及的重要因素.提出针对代价敏感学习的序贯三支决策模型.首先,对信息粒化和决策代价之间的关系进行了定义和描述;然后,从序决策过程的视角,利用不同粒度层次的代价矩阵构建了代价函数;最后,为平衡决策结果代价和决策过程代价,提出了两个优化问题,并从理论上阐述了其意义,从实验结果分析上验证了算法的有效性,体现了序贯三支决策在代价敏感分类问题上的优势.     

响应变量缺失下变系数模型的分位数回归

针对响应变量随机缺失情况下变系数分位数回归模型的非参数估计问题,提出了将B样条和逆概率加权相结合的估计方法。缺失数据在统计工作中难免会遇到,首先用logistic模型产生响应变量的缺失概率,然后对变系数模型的系数函数采用B样条逼近技术,利用缺失概率构建逆概率加权分位数回归的损失函数,得到模型的未知系数函数估计;在模拟研究中,将得到的估计与直接使用完全数据的估计方法进行对比,发现在响应变量随机缺失下,将B样条和逆概率加权相结合的变系数模型分位数回归在有限样本情况下表现良好,模拟研究结果表明该方法有效;最后将所研究的方法运用到挪威公共道路管理局收集的奥斯陆地区相关数据中,研究了空气中二氧化氮浓度与道路车流量和风速之间的关系,得出合理的结论,进一步证明了该方法的合理性。