增量梯度下降算法处理学习分类系统中的缺失数据问题研究.pdfVIP

计算机研究与发展 ISSN1000—1239／CN11—1777／TP of Researchand Journal 42(增刊)：228～232，2005 Computer Development 增量梯度下降算法处理学习分类系统中的缺失数据问题 顾大千 高 阳 (南京大学计算机软件新技术国家重点实验室 南京210093) (gudaqian@ai．nju．edu．cn) IncrementalGradientDescent Methodfor Datain Imputation Missing Learning Classifier Systems Gu and Gao Daqian Yang Novel 210093) (StateKey for Technology，NanjingUniversity，Nanjing LaboratorySoftware Abstract with or datahasbeena in classifier Learningincompletemissing majorchallengelearning methodfor datais valuesbasedonthestatisticofknown missing imputingmissing system．One covering values．Anotheris them case．Anew incremental markingmatchingarbitrary approachusing gradient descent modelis inthis usesthe variablestoestimate imputationproposedpaper，whichrelationshipamong the value．And，someareconductedinorderto the ofnew misSing experiments compareperformance andotherclassical methods． approach covering words classifier desent Key LCS(1earningsystem)；missingdata；InGrlmputation(incrementalgradient imputation)method 摘要缺失数据的处理是数据挖掘和学习分类系统中的重要问题之一．在传统的学习分类系统中，有 两种处理缺失数据的方法：①通过统计已知数据预测缺失数据；②将缺失数据标记为“任意值匹配”．提 出一种基于增量梯度下降的缺失数据填充方法，其利用包含缺失数据的属性和其他完整属性之间的潜 在关系，增量地、自适应调整梯度下降模型并用此模型来填充缺失数据．通过与传统的缺失数据处理方 法对比实验，基于增量梯度下降的缺失数据填充方法在学习分类系统中显示出良好的性能． 关键词学习分类系统；缺失数据；增量梯度下降算法 中图法分类号 TPl83 强化学习模块．LCS的应用从最初的分类问题发展 1 背 景 到数据挖掘、自动化革新、在线控制等多个方面．随