交叉样例选择研.pdfVIP

  Classified Index: CODE: 10075 U.D.C: NO: A Dissertation for the Degree of M. Engineering Research on Cross Sample Selection Candidate: Li Ta Superisor: Prof. Wang Xizhao Prof. Zhai Junhai Academic Degree Applied: Master of Engineering Specialty: Computer Applied Technology University: Hebei University Date of Oral Examination: May, 2013     摘  要  摘 要 海量数据是数字时代明显的特征，数据大规模增长使得数据处理变得异常困难，样 例选择是处理海量数据的主要方法之一。样例选择的目的是去除原始数据集中的冗余样 例和噪音样例，从而得到一个能够代表原数据集的小规模子集。传统的样例选择算法大 多是针对某一种分类器而设计的，因此其结果往往也只适用于这种类型的分类器。此外， 随着数据集规模的增长，经典的样例选择算法难于处理大规模数据集，高效率的样例选 择算法，特别是针对大数据集的样例选择算法成为近几年的研究热点。  本文针对较大数据集分类问题，提出了能够用于不同分类器的样例选择算法，该算 法基于分治和交叉验证的思想进行样例选择。具体地，首先将数据集分为若干不相交的 子集，对于每一个数据集，用其他子集训练出的分类器组成委员会，对该子集进行样例 选择。针对输出为后验概率的分类器使用 K‐L 散度度量样例的重要性，针对其他分类器 使用投票熵度量样例的重要性。当使用速度快的 ELM 分类器时，本文提出的算法能够快 速处理较大规模的数据集。为了验证本文算法的有效性，在 19 个数据集上进行了实验， 并与经典的样例选择算法（CNN、ENN、RNN、MCS 和 ICF）在时间、精度和压缩比等方 面进行了实验比较。实验验证了交叉样例选择算法在多种分类器上应用的可行性，并能 够快速处理较大规模的数据集，得到压缩比更高的子集。    关键词   样例选择 投票熵   K‐L 散度   ELM  概率神经网络           I Abstract Abstract Huge amounts of data is the outstanding characteristics of the digital age, and the data processing becomes extremely d