面向主动学习的模糊核聚类采样算法

针对主动学习中构造初始分类器难以选取代表性样本的问题,提出一种模糊核聚类采样算法。该算法首先通过聚类分析技术将样本集划分,然后分别在类簇中心和类簇边界区域选取样本进行标注,最后依此构造初始分类器。在该算法中,通过高斯核函数将原始样本空间中的点非线性变换到高维特征空间,以达到线性可聚的目的,并引入了一种基于局部密度的初始聚类中心选择方法,从而改善聚类效果。为了提高采样质量,结合划分后各类簇的样本个数设计了一种采样比例分配策略;同时,在采样结束阶段设计了一种后补采样策略,以确保采样个数达标。实验结果分析表明,所提算法可以有效地减少构造初始分类器所需的人工标注负担,并取得了较高的分类正确率。...

Full description

Saved in:
Bibliographic Details
Published in计算机应用研究 Vol. 34; no. 12; pp. 3564 - 3568
Main Author 王勇臻;陈燕;张金松
Format Journal Article
LanguageChinese
Published 大连海事大学交通运输管理学院,辽宁大连,116026 2017
Subjects
主动学习
分类
聚类分析
采样
高斯核函数
采样
active learning
高斯核函数
主动学习
sampling
Gaussian kernel function
classification
聚类分析
clustering analysis
分类
Online AccessGet full text
ISSN1001-3695
DOI10.3969/j.issn.1001-3695.2017.12.010

Cover

More Information
Summary:针对主动学习中构造初始分类器难以选取代表性样本的问题,提出一种模糊核聚类采样算法。该算法首先通过聚类分析技术将样本集划分,然后分别在类簇中心和类簇边界区域选取样本进行标注,最后依此构造初始分类器。在该算法中,通过高斯核函数将原始样本空间中的点非线性变换到高维特征空间,以达到线性可聚的目的,并引入了一种基于局部密度的初始聚类中心选择方法,从而改善聚类效果。为了提高采样质量,结合划分后各类簇的样本个数设计了一种采样比例分配策略;同时,在采样结束阶段设计了一种后补采样策略,以确保采样个数达标。实验结果分析表明,所提算法可以有效地减少构造初始分类器所需的人工标注负担,并取得了较高的分类正确率。
Bibliography:51-1196/TP
ISSN:1001-3695
DOI:10.3969/j.issn.1001-3695.2017.12.010