CN104361224B - 置信分类方法及置信机器 - Google Patents

置信分类方法及置信机器 Download PDF

Info

Publication number
CN104361224B
CN104361224B CN201410606984.8A CN201410606984A CN104361224B CN 104361224 B CN104361224 B CN 104361224B CN 201410606984 A CN201410606984 A CN 201410606984A CN 104361224 B CN104361224 B CN 104361224B
Authority
CN
China
Prior art keywords
sample
classification
expressed
region
rejection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201410606984.8A
Other languages
English (en)
Other versions
CN104361224A (zh
Inventor
蒋方纯
田盛丰
乐颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Institute of Information Technology
Original Assignee
Shenzhen Institute of Information Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Institute of Information Technology filed Critical Shenzhen Institute of Information Technology
Priority to CN201410606984.8A priority Critical patent/CN104361224B/zh
Publication of CN104361224A publication Critical patent/CN104361224A/zh
Application granted granted Critical
Publication of CN104361224B publication Critical patent/CN104361224B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明适用机器学习领域，提供了一种置信分类方法，该方法包括：确定待分类的样例；用一类分类器对样例进行正例分类，分类结果为正例的表示为A，其余分类结果表示为B；用一类分类器再次对样例进行负例分类，分类结果为负例的表示为C，其余分类结果表示为D；如只属于A或C的样例称为可信样例，分配到接受域；属于A∩C或属于B∪D的样例称为不可信样例，分配到拒绝域。本发明的技术方案具有无需设置阈值，无需计算置信度的优点。

Description

置信分类方法及置信机器
技术领域
本发明属于机器学习领域，尤其涉及一种置信分类方法及置信机器。
背景技术
置信机器就是在机器学习的过程中对学习的结果同时提供一个可信的程度判断或可以对学习结果进行预设的分类处理。置信机器在医疗诊断等高风险的应用领域有着重要的现实意义。置信机器是机器学习领域中研究时间不长的一个分支，实现置信机器学习的理论基础与方法并不多。有直接构造置信度的方法，有间接构造置信度的方法，有通过设置拒绝选项，可以进行预设的分类处理，来排除低可信的部分，从而提高剩余部分的可信度，实现置信分类。简捷有效的置信机器学习是置信机器研究的目标之一。
2005年由Vladimir Vovk，Alexander Gammerman，Glenn Shafer出版了关于信任机器学习的专著《Algorithmic Learning in a Random World》。2004年邱德红等在计算机研究与发展期刊Vol.41，No.9中发表了《基于算法随机性理论和奇异描述的置信学习机器》，根据Kolmogorov算法随机性理论，为学习机器建立了一种置信机制，描述了置信学习机器的算法。
在实现现有技术的方案中，发现现有技术存在如下的技术问题：
(1)需要计算置信度。目前现有的置信机器学习方法通常都要计算出每一个样例的置信度值，然后根据置信度值的大小进行排序，来确定可靠性的高低。
(2)需要设置具体的阈值。如果需要划分接受域和拒绝域的话，则需要根据计算出的置信度的排序结果，按照一定的要求，确定并设置具体的阈值。
发明内容
本发明实施例的目的在于提供一种置信分类方法，其解决现有技术的置信度需要计算置信度和设置阈值的问题。
本发明实施例是这样实现的，一方面，一种置信分类方法，所述方法包括：
确定待分类的样例；
用一类分类器对样例进行正例分类，分类结果为正例的表示为A，其余分类结果表示为B；
用一类分类器再次对样例进行负例分类，分类结果为负例的表示为C，其余分类结果表示为D；
如只属于A或C的样例称为可信样例，分配到接受域；属于A∩C或属于B∪D的样例称为不可信样例，分配到拒绝域。
可选的，所述方法在分配到拒绝域之后还包括：对所述拒绝域的样例采用集成分类器系统继续处理，所述继续处理的方法具体为：
第二轮采用一类分类器对拒绝域的样例进行正例分类，分类结果为正例的表示为A2，其余分类结果表示为B2；
第二轮再次采用一类分类器对拒绝域的样例进行负例分类，分类结构为负例的表示为C2，其余分类结果表示为D2；
如只属于A2或C2的样例称为可信样例，分配到接受域；属于A2∩C2或属于B2∪D2的样例称为不可信样例，分配到第二拒绝域。
可选的，所述方法在分配到第二拒绝域之后还包括：
第三轮采用一类分类器对第二拒绝域的样例进行正例分类，分类结果为正例的表示为A3，其余分类结果表示为B3；
第三轮再次采用一类分类器对拒绝域的样例进行负例分类，分类结构为负例的表示为C3，其余分类结果表示为D3；
如只属于A3或C3的样例称为可信样例，分配到接受域；属于A3∩C3或属于B3∪D3的样例称为不可信样例，分配到第三拒绝域。
可选的，所述方法在分配到第三拒绝域之后还包括：
第n轮采用一类分类器对第n-1拒绝域的样例进行正例分类，分类结果为正例的表示为An，其余分类结果表示为Bn；
第n轮再次采用一类分类器对拒绝域的样例进行负例分类，分类结构为负例的表示为Cn，其余分类结果表示为Dn；
如只属于An或Cn的样例称为可信样例，分配到接受域；属于An∩Cn或属于Bn∪Dn的样例称为不可信样例，分配到第n拒绝域；其中n>3。
另一方面，提供一种置信机器，所述机器包括：
样例模块，用于确定待分类的样例；
一类分类器，用于对样例进行正例分类，分类结果为正例的表示为A，其余分类结果表示为B；
一类分类器，还用于再次对样例进行负例分类，分类结果为负例的表示为C，其余分类结果表示为D；
分配模块，用于如只属于A或C的样例称为可信样例，分配到接受域；属于A∩C或属于B∪D的样例称为不可信样例，分配到拒绝域。
可选的，一类分类器，用于第二轮采用一类分类器对拒绝域的样例进行正例分类，分类结果为正例的表示为A2，其余分类结果表示为B2；
一类分类器，还用于第二轮再次采用一类分类器对拒绝域的样例进行负例分类，分类结构为负例的表示为C2，其余分类结果表示为D2；
分配模块，还用于如只属于A2或C2的样例称为可信样例，分配到接受域；属于A2∩C2或属于B2∪D2的样例称为不可信样例，分配到第二拒绝域。
可选的，一类分类器，用于第三轮采用一类分类器对第二拒绝域的样例进行正例分类，分类结果为正例的表示为A3，其余分类结果表示为B3；
一类分类器，还用于第三轮再次采用一类分类器对拒绝域的样例进行负例分类，分类结构为负例的表示为C3，其余分类结果表示为D3；
分配模块，还用于如只属于A3或C3的样例称为可信样例，分配到接受域；属于A3∩C3或属于B3∪D3的样例称为不可信样例，分配到第三拒绝域。
可选的，一类分类器，用于第n轮采用一类分类器对第n-1拒绝域的样例进行正例分类，分类结果为正例的表示为An，其余分类结果表示为Bn；
一类分类器，还用于第n轮再次采用一类分类器对拒绝域的样例进行负例分类，分类结构为负例的表示为Cn，其余分类结果表示为Dn；
分配模块，还用于如只属于An或Cn的样例称为可信样例，分配到接受域；属于An∩Cn或属于Bn∪Dn的样例称为不可信样例，分配到第n拒绝域；其中n>3。
在本发明实施例中，本发明提供的技术方案的采用二次置信分类来实现置信度的分类，无需计算置信度，也无需设置阈值，所以其具有省略置信度计算和设置阈值的优点。
附图说明
图1是本发明提供的一种置信分类方法的流程图；
图2是本发明提供的一种置信机器的结构图；
图3是本发明提供的三层置信集成分类示意图；
图4(a)是本发明提供的分类后A与C不相交示意图；
图4(b)是本发明提供的分类后A与C相交示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明具体实施方式提供一种置信分类方法，上述方法由置信机器执行，该方法如图1所示，包括如下步骤：
101、确定待分类的样例；
102、用一类分类器对样例进行正例分类，分类结果为正例的表示为A，其余分类结果表示为B；
103、用一类分类器再次对样例进行负例分类，分类结果为负例的表示为C，其余分类结果表示为D；
104、如只属于A或C的样例称为可信样例，分配到接受域；属于A∩C或属于B∪D的样例称为不可信样例，分配到拒绝域。
需要说明的是，上述步骤102和103逻辑执行顺序上没有先后之分。
本发明采用的置信分类通过区分可信样例与不可信样例、划分接受域与拒绝域，达到对分类结果的预设分类处理，实现置信分类。并且此种方法仅仅只需要进行二次样例分类，即不需要计算置信度，也无需设置阈值。
可选的，上述方法在104之后还可以包括：对拒绝域的样例采用集成分类器系统(Ensemble Classifier System)继续处理，继续处理的方法具体可以为：
105、第二轮采用一类分类器对拒绝域的样例进行正例分类，分类结果为正例的表示为A2，其余分类结果表示为B2；
106、第二轮再次采用一类分类器对拒绝域的样例进行负例分类，分类结构为负例的表示为C2，其余分类结果表示为D2；
107、如只属于A2或C2的样例称为可信样例，分配到接受域；属于A2∩C2或属于B2∪D2的样例称为不可信样例，分配到第二拒绝域。
可选的，上述方法在107之后还可以包括：
第三轮采用一类分类器对第二拒绝域的样例进行正例分类，分类结果为正例的表示为A3，其余分类结果表示为B3；
第三轮再次采用一类分类器对拒绝域的样例进行负例分类，分类结构为负例的表示为C3，其余分类结果表示为D3；
如只属于A3或C3的样例称为可信样例，分配到接受域；属于A3∩C3或属于B3∪D3的样例称为不可信样例，分配到第三拒绝域。
可选的，上述方法还可以包括：
第n轮采用一类分类器对第n-1拒绝域的样例进行正例分类，分类结果为正例的表示为An，其余分类结果表示为Bn；
第n轮再次采用一类分类器对拒绝域的样例进行负例分类，分类结构为负例的表示为Cn，其余分类结果表示为Dn；
如只属于An或Cn的样例称为可信样例，分配到接受域；属于An∩Cn或属于Bn∪Dn的样例称为不可信样例，分配到第n拒绝域，其中n>3，n为整数。
上述每轮采用一类分类器的次数为二次。
在继续处理中，就是使用多层集成分类的方法，对第一次拒绝域中的样例继续进行置信分类处理，即第二次使用一类分类器对第一次拒绝域中的样例进行置信分类。如有需要，可以第三次使用一类分类器对第二次拒绝域中的样例进行置信分类，从而实现同质的多层集成分类，达到增强分类的目的。
上述方法的原理具体如下：
用一类分类器进行二元置信分类(英文全称：Tow Class ConfidenceClassification Based on One Class Classifier，英文简称：TCCC-OCC)，就是首先使用一类分类器进行正例的分类，分类的结果为正例的表示为A，其余的表示为B；然后再使用一类分类器进行负例的分类，分类的结果为负例的表示为C，其余的表示为D。可能有两种情形出现，一种是A与C不相交，如图4(a)所示；另一种情况是A与C相交，如图4(b)所示。经过这样分类之后，某个样例可能出现在如下四种情况之一中：
①该样例只属于A
②该样例只属于C
③该样例既属于A，又属于C，即属于A∩C
④该样例既不属于A，又不属于C，即属于B∪D
将上述情况用图表示出来，就如图4所示。把只属于A或只属于C的样例，称为可信的样例，在图中为用竖线表示的部分；把既属于A又属于C的样例称为不可信样例，在图中为用横线表示的部分；把既不属于A又不属于C，即属于B∪D的样例也称为不可信样例，在图中为用空白表示的部分。
按照上述定义，把可信的样例划分到接受域，在图中用竖线表示的部分；把不可信的样例划分到拒绝域，在图中用横线和空白表示的部分。
在上述方法中，通过区分可信样例与不可信样例、划分接受域与拒绝域，达到对分类结果的预设分类处理，实现置信分类。
为了对实验的结果更好的进行对比与分析，对识别率(Recognition rate)、拒绝率(Rejection rate)、可信性(Reliability)、错误率(Error rate)分别定义如下：
识别率Recognition rate(RR)＝已正确识别的样例数/测试集样例数目
拒绝率Rejection rate(ReR)＝已拒绝的样例数/测试集样例数目
可信性Reliability(RE)＝(已正确识别的样例数+已拒绝的样例数)/测试集样例数目
错误率Error rate(ER)＝100％-RE
另外还定义正确率Correct rate(CR)＝已正确识别的样例数/已识别的样例数
同理定义累计识别率(Recognition rate)、累计正确率(Correct rate)、累计拒绝率(Rejection rate)、累计可信性(Reliability)、累计错误率(Error rate)如下：
累计识别率Recognition rate(RR)＝累计已正确识别的样例数/测试集样例数目
累计正确率Correct rate(CR)＝累计已正确识别的样例数/累计已识别的样例数
累计拒绝率Rejection rate(ReR)＝累计已拒绝的样例数/测试集样例数目
累计可信性Reliability(RE)＝(累计已正确识别的样例数+累计已拒绝的样例数)/测试集样例数目
累计错误率Error rate(ER)＝100％-累计的RE
从上述定义中可以看出，可信性等于识别率加上拒绝率，即Reliability＝recognition rate+rejection rate，也就是说拒绝的选项只是置信程度比较低，并不代表错误识别，可以继续做进一步的机器学习算法处理或人工处理。
本发明巧妙的利用一类分类器，运用两次一元分类器对二元问题进行分类，并以设置拒绝选项的方法，通过多层集成学习的方式进行二元分类的置信学习。该方法实现了在省略置信度计算以及省略设置具体阈值的情况下，仍可进行置信分类，并在心脏病和糖尿病等多个实验数据集上进行了验证，取得了较好的实验效果，其集成分类的图如图3所示，。
软件算法流程如下：
训练算法流程：
输入
X：二元训练数据样本
Y：二元训练样本标签
Train Set：(X，Y)
n＝1
输出
TCCC-OCC 1正：第一层正类分类器
TCCC-OCC 1负：第一层负类分类器
TCCC-OCC 2正：第二层正类分类器
TCCC-OCC 2负：第二层负类分类器
TCCC-OCC 3正：第三层正类分类器
TCCC-OCC 3负：第三层负类分类器
过程
1、用Train Set训练一类分类器，取得一元分类器的有关参数值
2、用一类分类器在训练集Train Set上对正例进行训练，取得一类分类器正例识别模型TCCC-OCC n正
3、用一类分类器在训练集Train Set上对负例进行训练，取得一类分类器负例识别模型TCCC-OCC n负
4、生成接受域Train Set A，拒绝域Train Set R
5、if n<3
Train Set＝拒绝域Train Set R
endif
6、n＝n+1
7、if n>3
goto 8
else
goto 1
endif
8、结束
分类算法流程：
输入
x：未知样本
输出
未知样本的类别
or
人工处理未知样本
过程
1.使用TCCC-OCC 1正对未知样本x进行识别分类
2.使用TCCC-OCC 1负对未知样本x进行识别分类
3.If x∈接受域then return样本类别
4.使用TCCC-OCC 2正对未知样本x进行识别分类
5.使用TCCC-OCC 2负对未知样本x进行识别分类
6.If x∈接受域then return样本类别
7.使用TCCC-OCC 3正对未知样本x进行识别分类
8.使用TCCC-OCC 3负对未知样本x进行识别分类
9.If x∈接受域then return样本类别
10.return人工处理未知样本
11.结束
实验情况
表1 实验使用数据集情况表
表2 LIBSVM与TCCC-OCC在heart心脏病数据集上分类结果比较表(单位：％)
算法 RR CR RE ER
LIBSVM识别正例 52.63 83.33 52.63 47.37
LIBSVM识别负例 53.13 85.00 53.13 46.87
TCCC-OCC第一次学习 45.71 94.12 97.14 2.86
TCCC-OCC第二次学习累计 62.86 88.00 91.43 8.57
TCCC-OCC第三次学习累计 67.14 83.93 87.14 12.86
表3 heart心脏病数据集实验十次平均数据表(单位：％)
项目 RR CR ReR RE ER
第一次学习 42.57 87.57 51.29 93.86 6.14
第二次学习 28.56 74.65 61.48 90.05 9.95
第二次学习后累计值 57.29 83.94 31.57 88.86 11.14
第三次学习 22.92 78.06 69.93 92.85 7.15
第三次学习后累计值 64.43 82.81 22.14 86.57 13.43
表4 五个数据集实验十次数据值表(单位：％)
本发明具体实施方式还提供一种置信机器，所述机器如图2所示，包括：
样例模块20，用于确定待分类的样例；
一类分类器21，用于对样例进行正例分类，分类结果为正例的表示为A，其余分类结果表示为B；
一类分类器21，还用于再次对样例进行负例分类，分类结果为负例的表示为C，其余分类结果表示为D；
分配模块22，用于如只属于A或C的样例称为可信样例，分配到接受域；属于A∩C或属于B∪D的样例称为不可信样例，分配到拒绝域。
可选的，一类分类器21，用于第二轮采用一类分类器对拒绝域的样例进行正例分类，分类结果为正例的表示为A2，其余分类结果表示为B2；
一类分类器21，还用于第二轮再次采用一类分类器对拒绝域的样例进行负例分类，分类结构为负例的表示为C2，其余分类结果表示为D2；
分配模块22，还用于如只属于A2或C2的样例称为可信样例，分配到接受域；属于A2∩C2或属于B2∪D2的样例称为不可信样例，分配到第二拒绝域。
可选的，一类分类器21，用于第三轮采用一类分类器对第二拒绝域的样例进行正例分类，分类结果为正例的表示为A3，其余分类结果表示为B3；
一类分类器21，还用于第三轮再次采用一类分类器对拒绝域的样例进行负例分类，分类结构为负例的表示为C3，其余分类结果表示为D3；
分配模块22，还用于如只属于A3或C3的样例称为可信样例，分配到接受域；属于A3∩C3或属于B3∪D3的样例称为不可信样例，分配到第三拒绝域。
可选的，一类分类器21，用于第n轮采用一类分类器对第n-1拒绝域的样例进行正例分类，分类结果为正例的表示为An，其余分类结果表示为Bn；
一类分类器21，还用于第n轮再次采用一类分类器对拒绝域的样例进行负例分类，分类结构为负例的表示为Cn，其余分类结果表示为Dn；
分配模块22，还用于如只属于An或Cn的样例称为可信样例，分配到接受域；属于An∩Cn或属于Bn∪Dn的样例称为不可信样例，分配到第n拒绝域；其中n>3。
值得注意的是，上述实施例中，所包括的各个单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种置信分类方法，其特征在于，所述方法包括：
确定待分类的样例；
用一类分类器进行二元置信分类，包括：
用一类分类器对样例进行正例分类，分类结果为正例的表示为A，其余分类结果表示为B；
用一类分类器再次对样例进行负例分类，分类结果为负例的表示为C，其余分类结果表示为D；
如只属于A或C的样例称为可信样例，分配到接受域；属于A∩C或属于B∪D的样例称为不可信样例，分配到拒绝域；
使用多层集成分类的方法，实现同质的多层集成分类，达到增强分类的目的。
2.根据权利要求1所述的方法，其特征在于，所述方法在分配到拒绝域之后还包括：对所述拒绝域的样例采用集成分类器系统继续处理，所述继续处理的方法具体为：
第二轮采用一类分类器对拒绝域的样例进行正例分类，分类结果为正例的表示为A2，其余分类结果表示为B2；
第二轮再次采用一类分类器对拒绝域的样例进行负例分类，分类结构为负例的表示为C2，其余分类结果表示为D2；
如只属于A2或C2的样例称为可信样例，分配到接受域；属于A2∩C2或属于B2∪D2的样例称为不可信样例，分配到第二拒绝域。
3.根据权利要求2所述的方法，其特征在于，所述方法在分配到第二拒绝域之后还包括：
第三轮采用一类分类器对第二拒绝域的样例进行正例分类，分类结果为正例的表示为A3，其余分类结果表示为B3；
第三轮再次采用一类分类器对拒绝域的样例进行负例分类，分类结构为负例的表示为C3，其余分类结果表示为D3；
如只属于A3或C3的样例称为可信样例，分配到接受域；属于A3∩C3或属于B3∪D3的样例称为不可信样例，分配到第三拒绝域。
4.根据权利要求3所述的方法，其特征在于，所述方法在分配到第三拒绝域之后还包括：
第n轮采用一类分类器对第n-1拒绝域的样例进行正例分类，分类结果为正例的表示为An，其余分类结果表示为Bn；
第n轮再次采用一类分类器对拒绝域的样例进行负例分类，分类结构为负例的表示为Cn，其余分类结果表示为Dn；
如只属于An或Cn的样例称为可信样例，分配到接受域；属于An∩Cn或属于Bn∪Dn的样例称为不可信样例，分配到第n拒绝域；其中n>3。
5.一种置信机器，其特征在于，所述机器包括：
样例模块，用于确定待分类的样例；
分类器，用于用一类分类器进行二元置信分类，包括：
一类分类器，用于对样例进行正例分类，分类结果为正例的表示为A，其余分类结果表示为B；
一类分类器，还用于再次对样例进行负例分类，分类结果为负例的表示为C，其余分类结果表示为D；
分配模块，用于如只属于A或C的样例称为可信样例，分配到接受域；属于A∩C或属于B∪D的样例称为不可信样例，分配到拒绝域；
使用多层集成分类的方法，实现同质的多层集成分类，达到增强分类的目的。
6.根据权利要求5所述的机器，其特征在于，
一类分类器，用于第二轮采用一类分类器对拒绝域的样例进行正例分类，分类结果为正例的表示为A2，其余分类结果表示为B2；
一类分类器，还用于第二轮再次采用一类分类器对拒绝域的样例进行负例分类，分类结构为负例的表示为C2，其余分类结果表示为D2；
分配模块，还用于如只属于A2或C2的样例称为可信样例，分配到接受域；属于A2∩C2或属于B2∪D2的样例称为不可信样例，分配到第二拒绝域。
7.根据权利要求6所述的机器，其特征在于，
一类分类器，用于第三轮采用一类分类器对第二拒绝域的样例进行正例分类，分类结果为正例的表示为A3，其余分类结果表示为B3；
一类分类器，还用于第三轮再次采用一类分类器对拒绝域的样例进行负例分类，分类结构为负例的表示为C3，其余分类结果表示为D3；
分配模块，还用于如只属于A3或C3的样例称为可信样例，分配到接受域；属于A3∩C3或属于B3∪D3的样例称为不可信样例，分配到第三拒绝域。
8.根据权利要求7所述的机器，其特征在于，
一类分类器，用于第n轮采用一类分类器对第n-1拒绝域的样例进行正例分类，分类结果为正例的表示为An，其余分类结果表示为Bn；
一类分类器，还用于第n轮再次采用一类分类器对拒绝域的样例进行负例分类，分类结构为负例的表示为Cn，其余分类结果表示为Dn；
分配模块，还用于如只属于An或Cn的样例称为可信样例，分配到接受域；属于An∩Cn或属于Bn∪Dn的样例称为不可信样例，分配到第n拒绝域；其中n>3。
CN201410606984.8A 2014-10-31 2014-10-31 置信分类方法及置信机器 Expired - Fee Related CN104361224B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410606984.8A CN104361224B (zh) 2014-10-31 2014-10-31 置信分类方法及置信机器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410606984.8A CN104361224B (zh) 2014-10-31 2014-10-31 置信分类方法及置信机器

Publications (2)

Publication Number Publication Date
CN104361224A CN104361224A (zh) 2015-02-18
CN104361224B true CN104361224B (zh) 2018-08-03

Family

ID=52528483

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410606984.8A Expired - Fee Related CN104361224B (zh) 2014-10-31 2014-10-31 置信分类方法及置信机器

Country Status (1)

Country Link
CN (1) CN104361224B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107045506A (zh) * 2016-02-05 2017-08-15 阿里巴巴集团控股有限公司 评估指标获取方法及装置
US10460256B2 (en) * 2016-08-09 2019-10-29 Microsot Technology Licensing, LLC Interactive performance visualization of multi-class classifier
CN110689034B (zh) * 2018-07-06 2023-04-07 阿里巴巴集团控股有限公司 一种分类器的优化方法及设备
CN110263859A (zh) * 2019-06-21 2019-09-20 深圳前海微众银行股份有限公司 样本分类方法、装置、设备及可读存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819601A (zh) * 2010-05-11 2010-09-01 同方知网(北京)技术有限公司 学术文献自动分类的方法
CN102664011A (zh) * 2012-05-17 2012-09-12 吉林大学 一种快速说话人识别方法
CN103336852A (zh) * 2013-07-24 2013-10-02 清华大学 跨语言本体构建方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6727914B1 (en) * 1999-12-17 2004-04-27 Koninklijke Philips Electronics N.V. Method and apparatus for recommending television programming using decision trees
JP4565106B2 (ja) * 2005-06-23 2010-10-20 独立行政法人情報通信研究機構 二項関係抽出装置，二項関係抽出処理を用いた情報検索装置，二項関係抽出処理方法，二項関係抽出処理を用いた情報検索処理方法，二項関係抽出処理プログラム，および二項関係抽出処理を用いた情報検索処理プログラム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101819601A (zh) * 2010-05-11 2010-09-01 同方知网(北京)技术有限公司 学术文献自动分类的方法
CN102664011A (zh) * 2012-05-17 2012-09-12 吉林大学 一种快速说话人识别方法
CN103336852A (zh) * 2013-07-24 2013-10-02 清华大学 跨语言本体构建方法及装置

Also Published As

Publication number Publication date
CN104361224A (zh) 2015-02-18

Similar Documents

Publication Publication Date Title
CN111797394B (zh) 基于stacking集成的APT组织识别方法、系统及存储介质
CN104992191B (zh) 基于深度学习的特征和最大置信路径的图像分类方法
US20170063893A1 (en) Learning detector of malicious network traffic from weak labels
CN104361224B (zh) 置信分类方法及置信机器
Bouadjenek et al. Robust soft-biometrics prediction from off-line handwriting analysis
EP2833295A2 (en) Convolutional-neural-network-based classifier and classifying method and training methods for the same
Wang et al. imDC: an ensemble learning method for imbalanced classification with miRNA data
CN108460421A (zh) 不平衡数据的分类方法
CN111783505A (zh) 伪造人脸的识别方法、装置和计算机可读存储介质
Chen et al. Multi-granular mining for boundary regions in three-way decision theory
US20210142046A1 (en) Deep face recognition based on clustering over unlabeled face data
CN105930834A (zh) 基于球哈希二值编码的人脸识别方法及装置
CN106529598A (zh) 一种基于不均衡医疗图像数据集的分类方法与系统
CN102819733A (zh) 一种快速的街景图像中人脸的检测模糊方法
Jiang et al. Automatic screening of diabetic retinopathy images with convolution neural network based on caffe framework
CN104376234B (zh) 启动子识别方法及系统
CN114783021A (zh) 一种口罩佩戴智能检测方法、装置、设备及介质
Mahajan et al. COVID‐19 detection using hybrid deep learning model in chest x‐rays images
WO2023134060A1 (zh) 基于药物分子图像分类的信息推送方法及装置
CN105069455B (zh) 一种发票公章过滤的方法及装置
US20210192293A1 (en) Automatic Classifier Profiles from Training Set Metadata
CN104794499A (zh) 一种基于自适应熵权的区间灰色关联分类器设计方法
CN107729909B (zh) 一种属性分类器的应用方法及装置
Gupta et al. A hybrid convolutional neural network model to detect COVID‐19 and pneumonia using chest X‐ray images
Kozlovski et al. Overview of ImageCLEFtuberculosis 2022: CT-based cavern detection and report

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20180803

Termination date: 20191031