【摘 要】
：
构造性机器学习方法——覆盖算法学习速度快、复杂度低、可解释性强，能有效地解决有导师学习问题，并取得了很好的效果，但构造神经元的权值即取新覆盖中心时通常人为地给定一
【机 构】
：
安徽大学计算机科学与技术学院,合肥230039
【出 处】
：
第三届中国数据挖掘学术会议(CCDM2009)
论文部分内容阅读
构造性机器学习方法——覆盖算法学习速度快、复杂度低、可解释性强，能有效地解决有导师学习问题，并取得了很好的效果，但构造神经元的权值即取新覆盖中心时通常人为地给定一个准则，并未遵循样本的分布特征求得最优解。由此采用佳点集理论求取覆盖中心，以改进覆盖算法。针对大规模或动态数据集的分类问题，将构造性机器学习方法与增量学习的思想相结合，提出了构造性机器学习的增量学习算法。该算法利用改进的覆盖算法作为基础学习器，通过连续地对新增样本进行测试而反复不断地提炼已有模型，体现了对样本的"渐近式"学习。对标准数据集的实验结果表明，这种增量学习算法是有效的。
其他文献
本文报告了1例产前诊断为原发性右侧肺缺如患儿的诊治经过。患儿之母于孕23周+6超声检查发现胎儿右侧肺缺如，左肺增大、心脏右移；羊水染色体核型及染色体微阵列分析检查未见异常。经多学科专家咨询，该孕妇选择继续妊娠，并于孕39周+2经阴道分娩。患儿生后1、5 min Apgar评分均为10分，外观无异常，胸廓无塌陷，右肺未闻及明显呼吸音；生后胸部X射线片和CT扫描均提示右肺未发育；心脏超声提示右肺动脉、
Ising均值场是Ising图模型上一种基本的变分推理方法，该方法通过变分转移把概率推理问题转化为泛函极值问题，并通过求解泛函极值计算出变量期望近似值。求解泛函极值是变分
舌诊是中医四诊的重要内容，为中医临床必察之项。古往今来，为名医者莫不精深于舌诊。颜色特征是诊断的重要特征，对其进行识别(分类)的好坏将直接影响舌诊诊断系统的准确性。
俄罗斯前第一夫人柳德米拉在主题为“轻松上学”的圆桌会议上谈到她教育两个千金玛莎和卡佳的经验。适应社会,懂得友谊更重要。现在学校里的分数,体现的不是孩子学到了多少东
照片1是笔者1996年12月修剪后所拍的树照。此桩材枝叶稀疏,主干向左倾斜,偏离主轴线,在定托和蓄育侧枝时如不注意取势导向,就显得呆板乏味,缺少生气。定托时将右第一托下压
数据挖掘是从大量的数据中提取潜在、有价值的模式或规则的过程。随着计算机网络技术的迅速发展，教学评价数据实现了长时期积累。评价数据分析处理技术滞后于数据获取技术
为了实现仅需一次扫描数据库即可快速完成关联规则挖掘之目的，提出了基于关联规则模板(ARMP)的快速挖掘算法。其关键环节在于如何构建关联规则模板(ARMP)。面临的主要问题
1.刚上大学时,心里有怎样的憧憬?边策:记得刚到“浙广”(浙江传媒学院原名简称)报到那天虽然很舍不得妈妈.但之前把大学想得那么美好.常憧憬着电视剧里的大学生活,所以就要开
目的:分析老年腹膜透析（腹透）患者发生首次腹膜炎的临床特征及预后。方法:回顾性分析中山大学附属第一医院腹透中心2006年1月至2018年12月发生首次腹透相关性腹膜炎且年龄65岁
Boosting是一种有效的分类器组合方法，其通过加权投票来组合多个基分类器的方式来进行分类。在对基分类器进行权重赋值时，一般Boosting算法根据基分类器在当前训练集合上的