基于聚類的主動學習實例選擇方法研究.pdf

1、在機器學習領域中，標記實例是個代價很高且耗時的工作。作為機器學習領域的重要研究方向之一，主動學習旨在根據(jù)選擇策略從無標記實例中選擇信息量最大的部分實例交由專家標記，以達到最小化標記實例的數(shù)量獲得準確的預測模型。因此，實例選擇的策略對于主動學習十分關鍵。數(shù)據(jù)流是近年來被廣泛關注的一種數(shù)據(jù)形式，其規(guī)模龐大、到達速度快，且數(shù)據(jù)的分布隨時會發(fā)生變化，這些與傳統(tǒng)數(shù)據(jù)模型截然不同的特征對主動學習方法提出了巨大的挑戰(zhàn)。目前，針對數(shù)據(jù)流環(huán)境的主動學習實

2、例選擇策略的研究相對較少，大部分研究工作是針對傳統(tǒng)數(shù)據(jù)形式。在此背景下，本文研究了基于聚類的主動學習實例選擇方法：首先設計能夠發(fā)現(xiàn)任意形狀及不同密度的簇的聚類算法對實例進行劃分，其次度量出每個簇內(nèi)預測類的分布一致性，并設計代表性與不確定性相結合的實例選擇策略，選擇最合適的實例用于主動學習過程，具體內(nèi)容包括以下兩個方面：
　　首先，為了更好地反映數(shù)據(jù)流環(huán)境下實例的實際分布情況，在研究聚類算法的基礎上，針對大部分聚類算法無法發(fā)現(xiàn)任意形

3、狀及不同密度的簇或計算復雜度太高的問題，提出一種兩階段聚類算法。首先對數(shù)據(jù)集進行快速的初始劃分，在此基礎上引入距離關聯(lián)性動態(tài)模型，該動態(tài)模型能夠根據(jù)簇中樣本點間的距離來近似反映密度，借此將初始劃分結果中鄰近的且密度近似的簇進行合并，以達到快速發(fā)現(xiàn)任意形狀及不同密度的簇的效果。實驗表明：該算法能夠有效識別任意形狀及不同密度的簇，且與同類算法相比，時間效率有顯著的提高。
　　其次，針對數(shù)據(jù)流環(huán)境下實例空間內(nèi)均可能發(fā)生概念漂移的問題，在