資源描述：
《案例推理分類器屬性權(quán)重的內(nèi)省學(xué)習(xí)調(diào)整方法》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫(kù)。
1、案例推理分類器屬性權(quán)重的內(nèi)省學(xué)習(xí)調(diào)整方法摘要：針對(duì)案例推理（CBR）分類器中案例屬性權(quán)重的分配問(wèn)題，提出一種基于內(nèi)省學(xué)習(xí)的屬性權(quán)重迭代調(diào)整方法。該方法可根據(jù)CBR分類器對(duì)訓(xùn)練案例分類的結(jié)果調(diào)整屬性的權(quán)重?；诔晒︱?qū)動(dòng)的權(quán)重學(xué)習(xí)策略，若當(dāng)前訓(xùn)練案例分類成功，則首先根據(jù)權(quán)重調(diào)整公式增加匹配屬性的權(quán)重并減少不匹配屬性的權(quán)重；然后對(duì)所有權(quán)重進(jìn)行歸一化從而得到當(dāng)次迭代的新權(quán)重。實(shí)驗(yàn)結(jié)果表明，所提方法的CBR分類器在UCI數(shù)據(jù)集PD、Heart和WDBC的準(zhǔn)確率比傳統(tǒng)CBR分類器分別提高1.72%、4.44%和1.05%。故成功驅(qū)動(dòng)的內(nèi)省學(xué)習(xí)權(quán)重調(diào)整方
2、法可以提高權(quán)重分配的合理性，進(jìn)而提高CBR分類器的準(zhǔn)確率。關(guān)鍵詞：案例推理；屬性權(quán)重；迭代調(diào)整；內(nèi)省學(xué)習(xí)；成功驅(qū)動(dòng)中圖分類號(hào)：TP18文獻(xiàn)標(biāo)志碼：AAbstract：AimingattheoptimalallocationproblemofattributeweightsinCaseBasedReasoning（CBR）classifier，anintrospectivelearningbasediterativeadjustmentapproachfortheattributeweightswas13proposed.Theattribu
3、teweightscouldbeadjustedaccordingtotheclassificationresultofthetrainingcasebyCBRclassifier.Basedonthesuccessdrivenweightlearningstrategy，ifthecurrenttrainingcasewasclassifiedsuccessfully，theweightsofmatchedattributeswouldbeincreasedandtheweightsofmismatchedattributeswouldb
4、edecreasedaccordingtoweightadjustmentformulas，thenalloftheweightswouldbenormalizedasthenewweightsofthecurrentiteration.TheexperimentalresultsshowthattheaccuracyonUCIdatasetPD，HeartandWDBCofCBRclassifierwiththeproposedmethodarerespectively1.72%，4.44%and1.05%higherthanthetra
5、ditionalCBRclassifier.Thisillustratesthatsuccessdrivenintrospectivelearningmethodfortheweightsadjustmentcanimprovetherationalityofweightallocation，andthenimprovetheaccuracyofCBRclassifier.Keywords：CaseBasedReasoning（CBR）；attributeweight；iterativeadjustment；introspectivelea
6、rning；successdriven0引言13案例推理（CaseBasedReasoning，CBR）是人工智能領(lǐng)域一種較新的問(wèn)題求解和機(jī)器學(xué)習(xí)方法，崛起于20世紀(jì)80年代初。其基本思想是利用過(guò)去解決類似問(wèn)題的經(jīng)驗(yàn)案例（或稱源案例）進(jìn)行推理求解新問(wèn)題（或稱目標(biāo)案例）[1]。1982年，耶魯大學(xué)的Schank[2]教授提出的動(dòng)態(tài)記憶理論為CBR方法的產(chǎn)生奠定了理論基礎(chǔ)。1994年，Aamodt等[3]給出了CBR的4R認(rèn)知模型，即案例檢索（Retrieve）、案例重用（Reuse）、案例修正（Revise）和案例存儲(chǔ)（Retrain）。CB
7、R在緊急資源預(yù)測(cè)[4]、控制與決策[5-6]、設(shè)計(jì)與計(jì)劃[7]、健康科學(xué)[8]等諸多領(lǐng)域得到了廣泛應(yīng)用，其推理方法及其效能分析具有重要的研究?jī)r(jià)值。在CBR系統(tǒng)中，案例檢索的成功與否直接關(guān)系到整個(gè)CBR系統(tǒng)的性能優(yōu)劣，因此案例檢索是CBR的關(guān)鍵問(wèn)題。CBR的檢索目標(biāo)是快速有效地從案例庫(kù)中找到盡可能少的與問(wèn)題描述最相似的案例。在檢索策略方面主要有知識(shí)導(dǎo)引策略[9]、模板檢索策略[10]以及KNN（KNearest13Neighbor）檢索策略[11]等。其中，以相似度為檢索原則的KNN策略得到了廣泛關(guān)注[12]，但這種策略對(duì)于噪聲或者不相關(guān)的數(shù)
8、據(jù)比較敏感。這一問(wèn)題的解決通常依賴于給案例屬性分配不同的權(quán)重。確定權(quán)重的方法主要有主觀法和客觀法，主觀分析常用的定權(quán)方法有：專家咨詢法、調(diào)查統(tǒng)計(jì)法、無(wú)差異折中法、相關(guān)分析法等[1
