基于Markov性半监督流行学习算法研究.pdfVIP

沈亮等：基于Markov性的半监督流行学习算法研究 在实际分类问题中，由于对样本进行标签通常需要大量的人力、物力和财力，所 以用于分类的标 签点通常是有限的，这样对于大多数分类算法而言就可能导致预测效果较差．因此，分类学习算法 (特 别是有监督的1都面临着如何从大量的无标签训练集 中来挖掘数据的信息这个难题．所 以，如何进行 有效的模式识别并改善分类器的预测能力仍然是当今应用概率统计所面临的问题．在模式识别中核函 数的框架下，本文结合具有 Markov性的流行学习来构造一类半监督的统计算法，并对模拟数据和三 个真实的药物动力学数据进行分类．实验结果表明，一类基于Markov性的半监督流行分类算法 【，】 fmanifoldsemi—supervisedclassification，MSSC)可以挖掘样本中内在的流行结构并且可以有效地处理 非线性分类问题． 2 理论及方法 2．1 流行学习的算法原理 作为一种半监督学习算法，流行学习算法 (MSSC)是由文献 [4，21】针对模式识别问题提出的，已 经被广泛的应用于图像处理、文本分类和信号识别等领域 (参见文献 [211)．根据有标签的数据集和无 标签的数据集所反映出来的内在结构，流行学习可以更好地进行分类，特别是对 病“态”的分类 问题 (标签样本少、维数高)也能得到有效的、稳定的预