李婵
- 作品数：4 被引量：6H指数：1
- 供职机构：闽南师范大学更多>>
- 发文基金：国家自然科学基金陕西省教育厅科研计划项目更多>>
- 相关领域：自动化与计算机技术更多>>
- 基于自我表述的学习方法的研究
- 在高维数据中,许多样本存在冗余或者不相关的特征,冗余特征的存在会降低算法的效率,不相关特征的存在会对学习算法的效果造成一定的影响。特征选择能给算法带来很多好处,如降低计算代价、提高效率、增强泛化能力等。而在数据样本不断增...
- 李婵
- 文献传递
- 基于最小二乘法的标记分布学习被引量：5
- 2017年
- 多标记学习在一定程度上解决了标记多义性问题,它主要关注实例对应的相关标记或者无关标记,而标记分布能够反映相关标记对于实例的重要程度.从重构标记分布的思想出发,利用最小二乘法建立模型,提出基于最小二乘法的标记分布学习(lsm-LDL).首先用特征重构标记,通过变换矩阵使得每一个标记能够表示为特征的一个线性组合;然后用最小二乘法建立优化模型;最后引入L_2范数规则化项,防止过拟合,保证泛化能力.在4个实际的数据集上进行实验,并与3种已有的标记分布学习算法在5种评价指标上进行比较,实验结果表明提出的lsm-LDL算法是有效的.
- 李婵杨文元赵红
- 关键词：最小二乘
- 联合依赖最大化与稀疏表示的无监督特征选择方法被引量：1
- 2017年
- 高维数据分析任务中,无监督特征选择是一项重要并具有挑战性的任务.传统的无监督特征选择算法通过保持流形结构或者特征之间相关性进行特征选择,而没有直接考虑选择特征与原始数据的依赖程度.通过考虑投影后的低维空间数据与原始数据信息之间的依赖性,提出有良好性能的特征依赖于原始数据的度量原则.首先利用最大化依赖使投影后数据尽可能保持原始数据的特征信息,据此获得投影矩阵,从而对原始数据达到降维效果.然后联合稀疏表示进行特征选择.提出一种新的无监督特征选择算法,称之为联合依赖最大化与稀疏表示的无监督特征选择方法(DMSR).在4个实际的数据集上进行实验,并与3种已有的无监督特征选择算法进行比较,在两种评价指标聚类精度和互信息上的实验结果表明,提出的DMSR算法是有效的.
- 李婵杨文元赵红
- 联合依赖最大化与稀疏表示的无监督特征选择方法
- 高维数据分析任务中,无监督特征选择是一项重要并具有挑战性的任务.传统的无监督特征选择算法通过保持流形结构或者特征之间相关性进行特征选择,而没有直接考虑选择特征与原始数据的依赖程度.通过考虑投影后的低维空间数据与原始数据信...
- 李婵杨文元赵红
- 关键词：数据分析无监督学习
