Loading...
机构名称:
¥ 1.0

在本文中,我们提出了一种创新的动态分类算法,旨在实现零遗漏的检测和最小误报的观察。使用监督模型将数据分配到N当量的训练子集和n个预测子集中,然后是n个单独的预测模型的独立预测。这使每个预测模型都可以在较小的数据范围内运行,从而提高了整体准确性。此外,该算法利用通过监督学习生成的数据来进一步完善预测结果,滤除未满足准确性要求的预测,而无需引入其他模型。实验性调查表明,当数据分配误差最小时,动态分类算法实现了出色的性能,而零遗漏的检测和最小的假阳性,则显着超过了现有的模型结合体。即使在分类错误较大的情况下,算法仍然可以与最新模型相提并论。这项研究的关键创新包括自我监督的分类学习,小范围子集预测的使用以及直接拒绝不合格的预测。虽然当前的算法在自动参数调整和分类模型效率方面仍然有改进的空间,但它在多个数据集中表现出出色的性能。未来的研究将着重于优化分类组件,以进一步增强算法的鲁棒性和适应性。

动态分类:利用自我监督的分类来增强预测性能

动态分类:利用自我监督的分类来增强预测性能PDF文件第1页

动态分类:利用自我监督的分类来增强预测性能PDF文件第2页

动态分类:利用自我监督的分类来增强预测性能PDF文件第3页

动态分类:利用自我监督的分类来增强预测性能PDF文件第4页

动态分类:利用自我监督的分类来增强预测性能PDF文件第5页

相关文件推荐

2024 年
¥1.0
2025 年
¥1.0