几种多示例学习算法的研究分析.docVIP

几种多示例学习算法的研究分析 　　摘要：多示例学习与传统机器学习有很大不同，多示例学习中一个样本包中有多个示例，样本包有类别，而示例没有类别标记，属于一对多的学习框架。本文介绍了多示例学习提出背景及基本特点，从包层次和示例层次两方面分析比较了几种具有代表性的多示例学习算法，最后展望了多示例学习算法的进一步研究方向。 　　关键词：多示例学习 机器学习 BP算法 KNN算法 　　中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2016）08-0151-01 　　1 引言 　　T.G.Dietterich等人在研究药物活性预测时提出了多示例学习的概念[1]。该问题是通过机器学习方法对样本分子（已标记适合制药及不适合制药）进行学习，从而尽可能正确预测某些新分子是否适合制药。研究人员因技术原因只知道哪些分子适合制药，而对于该分子中哪一种具体形状适合制药并不清楚，因为一个药物分子可能有多种可能的形状（同分异构体），要有一个形状起作用，则这个分子就适于制药，若该分子所有示例都不适合制药，该分子才不适合制药，该问题提出了样本和示例一对多的学习框架，在该框架中若按监督学习直接以分子为对象进行学习，将所有适合制药的分子作为正例学习，会出现由于正例中噪声太高而难以学习，因为正例中也会有大量不适合制药的形状，所以该问题提出了一种新的学习方式―多示例学习。 　　2