动态置信度的序列选择增量学习方法

• 作者: 廖闻剑 彭艳兵 李念
• 来源期刊: 计算机系统应用
• 关键词: 贝叶斯分类器 增量学习 置信度 序列选择
• 年，卷（期）: 2016,（2）
• 所属期刊栏目: 软件技术·算法
• 页码范围: 135-140
• 页数: 6页
• 字数: 4872字
• 语种: 中文

摘要

贝叶斯在训练样本不完备的情况下,对未知类别新增训练集进行增量学习时,会将分类错误的训练样本过早地加入到分类器中而降低其性能,另外增量学习采用固定的置信度评估参数会使其效率低下,泛化性能不稳定.为解决上述问题,提出一种动态置信度的序列选择增量学习方法.首先,在现有的分类器基础上选出分类正确的文本组成新增训练子集.其次,利用置信度动态监控分类器性能来对新增训练子集进行批量实例选择.最后,通过选择合理的学习序列来强化完备数据的积极影响,弱化噪声数据的消极影响,并实现对测试文本的分类.实验结果表明,本文提出的方法在有效提高分类精度的同时也能明显改善增量学习效率.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	彭艳兵	烽火通信科技股份有限公司研发部	19	71	5.0	7.0
2	廖闻剑	烽火通信科技股份有限公司研发部	7	34	3.0	5.0
3	李念		1	0	0.0	0.0