原创力文档- 1、本文档共4页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
维普资讯
２００７年第１期计算机系统应用
综合学习方法ＡｄａＢｏｏｓｔ在暴雨预测中的应用①
ＡｎＡｐｐｌｉｃａｔｉｏｎｏｆＡｄａＢｏｏｓｔｉｎＲａｉｎｓｔｏｒｍＰｒｅｄｉｃｔｉｎｇ
杨艳燕东渭（成都信息工程学院四川成都６１００４１）
赵奎锋魏亭（陕西省气象局）
摘要：机器学习技术在气象预报中的应用仅仅局限于ＡＮＮ和一些核方法，本文将综合学习方法引入预报中，并
为ＡｄａＢｏｏ￣方法融入减抽样的思想。通过暴雨预测的试验，表明减抽样的确可以提高ＡｄｏＢｏｏ￣暴雨预测的
效果。
关键词：综合学习ＡｄａＢｏｏｓｔ暴雨预测
人工智能科学中机器学习方法由于具有自动学如果学习算法识别一组概念的正确率仅比随机猜测
习的功能，近年来在许多领域中发挥了重要的作用。略好，那么这组概念是弱可学习的。Ｋｅａｍｓ和Ｖａｌ—
在气象预报这一复杂的领域中，主要的应用和研究有ｌａｎｔ提出了弱学习算法与强学习算法的等价性问题，
人工神经网络和支持向量机等核方法。而另外一类即是否可以将弱学习算法提升成强学习算法。如果
重要的机器学习算法：综合学习（ＥｎｓｅｍｂｌｅＬｅａｒｎ－两者等价，那么在学习概念时，只要找到一个比随机
Ｉｎｇ）”，目前还没有在气象预报中得到应用。以往机猜测略好的弱学习算法，就可以通过综合将其提升为
器学习方法在气象预报中应用时常遇到的一个重要强学习算法，而不必直接去找通常情况下很难获得的
的难题，就是对不平衡类别问题。就分类问题而言，强学习算法。
天气预报中诸多的灾害性天气的预测，均属于不平衡１９９０年，Ｓｃｈａｐｌｒｅ通过一个构造性方法对该问题
类别问题。对训练数据减抽样处理可以使不平衡问作出了肯定的证明】，其构造过程就是最初的Ｂｏｏｓ—
题“平衡化”，是解决不平衡学习问题的有效办法。ｒｉｎｇ算法。１９９９年Ｓｃｈａｐｌｒｅ和Ｓｉｎｇｅｒ提出了ＡｄｏＢｏｏｓｔ
本文把减抽样的思想用于重要的综合学习算法：Ａｄ—更一般的形式ｌ｜】，并引入“自信率预测”以改善Ｂｏｏｓ－
ｏＢｏｏ￣。进而用此方法进行了铜川暴雨的预测试验。ｒｉｎｇ的性能，本文提到的ＡｄａＢｏｏｓｔ就是这种算法。
实验结果表明对暴雨预测有较好的效果，相对传统的设样本空间为Ｋ，类别空间为＝｛１，一１｝，只考
ＡｄａＢｏｏ￣，准确率明显提高。虑二分类问题。训练样本集为Ｓ＝｛（ｘ，，Ｙ），（Ｘ，
ｙ２），…，（Ｘ，Ｙ）｝，其中ＸｋＥＫ，ＹｋＥ贸，Ｓ中共有样
综合学习１及ＡｄａＢｏｏｓｔ简介本ｍ个。算法１给出了ＡｄａＢｏｏｓｔ的详细过程。
综合学习指利用多个为同一任务而训练出的基ＡｄａＢｏｏ￣的目的是为了能够根据给定的例子ｘ预测
分类器的输出，以得到更好的分类器。综合多个分类类别标签Ｙ，而找出假设Ｈ（ｘ）。ＡｄａＢｏｏ￣在训练样
器往往能够改善性能ｌ３］。ＡｄａＢｏｏｓｔ是目前最重要本上维护一套概率分布，在每一轮迭代中ＡｄａＢｏｏ￣
的综合学习算法。在每个样本上调整这套分布，成员分类器在训练样本
Ｋｅａｒｎｓ和Ｖａｌｉａｎｔ指出【６］，在ＰＡＣ学习模型中Ｌ７］，上的错误率被计算出来，并以此在训练样本上调整概
若
文档评论（0）